TRES RAZONES PARA NO PASAR DE LARGO
El artículo no pregunta simplemente cómo usar mejor la inteligencia artificial. Desplaza la discusión hacia la autonomía, el esfuerzo cognitivo y la evidencia de aprendizaje.
Nombra un vacío que los marcos todavía no resuelven
UNESCO, AILit, ISTE y otros marcos ya reconocen que el estudiante puede crear con tecnología e IA. El salto que falta es distinto: construir una herramienta para el propio aprendizaje y juzgarla por lo que realmente permite aprender.
Del uso → a la autoríaCambia la pregunta: ¿qué queda sin la herramienta?
Una IA puede mejorar el resultado y, aun así, no mejorar el aprendizaje. El artículo convierte la delegación cognitiva en un problema observable: atención, intento, error, consolidación y transferencia deben seguir ocurriendo en el estudiante.
Funcionar ≠ aprenderNo propone una moda: propone algo que puede fallar
Cinco niveles de autonomía, ocho fases de indagación guiada, evidencia decisional, pruebas sin IA y un diseño comparativo. La capacidad EdTech del aprendiz no se presenta como verdad cerrada: se formula para ser validada, contrastada o refutada.
Concepto → evidenciaSi un estudiante puede construir la herramienta que necesita para aprender, ¿seguir sabiendo usar tecnología es una meta suficiente?
Resumen
Este artículo propone la capacidad EdTech del aprendiz: la aptitud de estudiantes de educación superior y de formación de adultos para construir, con IA generativa, herramientas para su propio aprendizaje y decidir con evidencia si las adoptan, adaptan, mantienen o descartan. Los marcos internacionales para estudiantes ya incluyen la creación de herramientas de IA, pero para problemas externos, sin validación con evidencia de aprendizaje y con foco escolar. El riesgo central es construir sin aprender: delegar en la máquina el esfuerzo cognitivo que el aprender exige. Se usa la ciencia del aprendizaje de Dehaene como escenario de lectura que vuelve consciente ese riesgo mediante sus cuatro pilares (atención, compromiso activo, retroalimentación del error y consolidación) y mediante su crítica al aprendizaje por descubrimiento, que obliga a formular la construcción como guiada y no espontánea. Se propone un constructo con genealogía latinoamericana, cinco niveles de autonomía del aprendiz, criterios de diseño que protegen cada pilar, una estructura de indagación guiada con prueba de transferencia y un diseño comparativo para validarla. La base es una observación situada desde la docencia latinoamericana y el semillero STEBE, cuyo sistema de bitácoras y evaluación decisional, en proceso de sistematización, se propone como instrumento de validación; se formulan proposiciones, límites y una agenda de validación.
Palabras clave: aprendiz EdTech; capacidad EdTech; delegación cognitiva; IA generativa; cuatro pilares del aprendizaje; semilleros; evidencia decisional
1. Introducción
Un estudiante de educación superior puede hoy pedirle a un modelo de lenguaje que construya la herramienta que necesita para estudiar: un generador de preguntas, un tutor que le exija explicar su razonamiento, un asistente que organice sus repasos. Ya no está limitado a elegir entre lo que ofrece el mercado. Esa posibilidad cambia el rol estudiantil: del usuario de mediaciones tecnológicas al autor de las mediaciones de su propio aprendizaje. El presente artículo es la otra cara de un trabajo sobre la capacidad EdTech del docente catalítico (González Grez, 2026d), que planteó que el docente crea para sus estudiantes y también habilita a sus estudiantes a crear.
La posibilidad trae un riesgo que el estudiante no ve por sí solo. Cuando la máquina resuelve, explica y corrige, el esfuerzo cognitivo que el aprender exige puede quedar en manos de la máquina. La evidencia experimental reciente muestra que el acceso a un asistente generativo puede mejorar el desempeño mientras está disponible y empeorarlo cuando se retira (Bastani et al., 2025), y que puede mejorar la nota de un ensayo sin mejorar el conocimiento adquirido ni su transferencia (Fan et al., 2025). El problema, entonces, no es construir herramientas, sino construirlas sin delegar el aprender.
Para que el estudiante tome conciencia de ese riesgo hace falta un escenario de lectura. Se propone la ciencia del aprendizaje de Dehaene (2019) con ese propósito. Su aporte para este trabajo es doble: describe con evidencia las condiciones que hacen que el cerebro aprenda (los cuatro pilares: atención, compromiso activo, retroalimentación del error y consolidación) y advierte que aprender no se reduce a explorar por cuenta propia, lo que obliga a pensar la construcción de herramientas como una actividad guiada. El libro es anterior a la IA generativa y no estudia la delegación en modelos de lenguaje; se usa como lente de diseño y de formación, no como prueba sobre esos modelos.
Se abordan tres preguntas. Primera, ¿qué cubren y qué no cubren los marcos internacionales para estudiantes sobre la creación de herramientas con IA? Segunda, ¿cómo permite la ciencia del aprendizaje volver consciente el riesgo de delegar el aprender? Tercera, ¿qué constructo, con genealogía latinoamericana, permite al estudiante dar el siguiente paso de su rol sin perder el aprendizaje? El alcance es la educación superior y la formación técnico-profesional y de adultos, en clave pedagógico-andragógica; la educación escolar queda como proyección.
AGENCIA VS. DELEGACIÓN COGNITIVA
Explora cómo cambia la relación entre apoyo de IA y esfuerzo del estudiante a través de los cuatro pilares del aprendizaje.
Delegación cognitiva alta
La IA asume una parte importante del trabajo cognitivo que el estudiante necesitaría ejecutar para aprender.
La herramienta no se juzga solo por lo bien que funciona: importa lo que el estudiante logra hacer sin ella.
Cuatro pilares · esfuerzo del aprendiz
0% delegación alta100% agencia alta
Advertencia cognitiva y metodológica: este recurso es una simulación conceptual, no un instrumento de medición validado. Los porcentajes y zonas ayudan a visualizar el riesgo de delegación; no representan probabilidades ni umbrales empíricos de aprendizaje. La evidencia relevante debe comprobar qué puede retener y transferir el estudiante sin la herramienta.
2. Marco conceptual
2.1. Del usuario al autor de mediaciones
La literatura reciente describe un tránsito de roles. Estudiantes de posgrado que diseñan GPT personalizados dentro de un curso pasan, según sus autores, de usuarios pasivos de IA generativa a creadores activos de herramientas de conocimiento (Huang et al., 2025). Estudiantes de grado que co-crean GPT personalizados como socios de sus académicos reportan agencia, reciprocidad y cambio de identidad (Lo et al., 2026). En ambos casos las herramientas se orientan a una asignatura o a un curso. El aprendiz EdTech que aquí se propone cambia el objeto: construye la herramienta que su propio aprendizaje necesita, y la valida con evidencia de su propio aprendizaje.
2.2. Genealogía latinoamericana
Cuatro tradiciones sostienen el constructo. Freire (1970) concibe al educando como sujeto que produce conocimiento y no como receptor; la propia edición en español de Dehaene (2019) abre con una idea de Freire según la cual enseñar es crear las posibilidades para la construcción del saber, y no transferirlo. Illich (1973) distingue las herramientas que la persona puede moldear de las que la moldean a ella, y llama convivenciales a las primeras. Martín-Barbero (1987) desplaza la mirada de los medios a las mediaciones: el sentido de una tecnología se decide en el uso cultural. Fals Borda (1979) legitima conocer para transformar junto con los participantes, lo que hace del estudiante un coinvestigador de su situación de aprendizaje.
Para el adulto, la andragogía aporta el criterio de orientación al problema y de autodirección del aprendizaje (Knowles, 1980; Castillo Silva, 2018). Un estudiante adulto que sabe qué quiere aprender y para qué es el punto de partida de este artículo.
2.3. El construccionismo y su límite
La idea de aprender construyendo artefactos tiene su origen en Papert (1980). Dehaene (2019, cap. 8) la discute de frente: ubica a Papert entre quienes confiaron en el aprendizaje por descubrimiento y sostiene que, sin enseñanza explícita, los niños que exploraban con Logo no lograron conceptos abstractos ni los transfirieron. Su propia experiencia aprendiendo a programar sin guía le dejó, cuenta, la ilusión de dominar algo cuya estructura profunda no había comprendido.
La crítica apunta al descubrimiento sin asistencia, y la evidencia agregada la respalda y la matiza. Un metaanálisis de 164 estudios encontró que el descubrimiento sin ayuda queda por debajo de la instrucción explícita, y que el descubrimiento mejorado con guía supera a otras formas de instrucción (Alfieri et al., 2011). En el extremo opuesto, Mitra (2014) propone que el aprendizaje emerge cuando se deja autoorganizar a grupos de niños con acceso a internet, y sus colaboradores informan beneficios duraderos de la Escuela en la Nube (Mitra et al., 2025). Son resultados de los propios proponentes, y en esta revisión no se localizó una evaluación independiente que permita contrastarlos.
Se toma lo compatible de ambas posiciones: la autonomía y la gran pregunta de Mitra, y la orientación explícita, la secuencia y la comprobación del dominio de Dehaene y de Alfieri y colaboradores. El aprendiz EdTech construye, pero de manera guiada. La actividad que importa es la cognitiva, no la conductual.
2.4. EdTech como lógica ágil
Se mantiene la definición del trabajo sobre el docente: EdTech es la suma de una lógica ágil de producto y una finalidad educativa, no una empresa (González Grez, 2026a, 2026d). Detectar un problema, construir la versión mínima, probarla, medir y decidir si se mantiene o se descarta. En el aprendiz, la métrica de validación es la decisión del propio estudiante ante situaciones nuevas (González Grez, 2025a), y el problema que se detecta es un problema de su aprendizaje. Esa condición, que el problema sea metacognitivo, es lo que distingue este constructo.
2.5. La competencia como movilización de recursos internos y externos
Para Tardif (2006), una competencia es un saber actuar complejo que se apoya en movilizar y combinar de manera eficaz recursos internos y externos dentro de una familia de situaciones. Los recursos internos comprenden conocimientos, habilidades y actitudes; los externos son las herramientas, los documentos, los pares y los expertos del entorno, y pueden ser tan decisivos como los internos. Su propuesta de evaluación se apoya en documentar el recorrido de desarrollo de la competencia.
Esta mirada ordena el problema del artículo. Usar una herramienta de IA no es en sí un problema, porque es un recurso externo legítimo. El riesgo aparece cuando el recurso externo sustituye al interno en lugar de combinarse con él: el estudiante resuelve, pero no desarrolla lo que necesitaría para resolver sin la herramienta. Por eso la estructura que se propone observa ambas cosas: el trabajo con herramientas, que muestra cómo se movilizan los recursos externos, y la prueba sin ellas, que aísla los internos. Las decisiones del estudiante son la manifestación observable de esa movilización (González Grez, 2025a).
AUTONOMÍA VS. DELEGACIÓN IA
Construye durante tres sprints. En el cuarto, la IA desaparece: ¿qué conocimiento puede sostener el aprendiz por sí mismo?
Advertencia cognitiva y metodológica: esta experiencia es una simulación conceptual. “Masa interna”, “Escudo IA”, los puntos asignados y el umbral de 40 son reglas internas del modelo interactivo, no escalas ni umbrales empíricos validados. La idea que representa es otra: comprobar qué puede hacer el aprendiz cuando la herramienta deja de estar disponible.
3. Lo que los marcos para estudiantes cubren y lo que no
Los marcos internacionales ya piden que el estudiante cree y mejore herramientas de IA. Lo que ninguno de los revisados hace es poner como objeto de esa creación el propio aprendizaje, ni exigir que se valide con evidencia de que el estudiante aprendió, ni dirigirse a la educación superior o a los adultos. La Tabla 1 sintetiza el hallazgo.
Tabla 1. Tratamiento de la creación de herramientas en marcos para estudiantes
¿QUÉ CUBREN LOS MARCOS ?
Selecciona un marco para comparar qué permite crear y qué queda fuera de la capacidad EdTech del aprendiz.
UNESCO · IA para estudiantes
El nivel Crear incluye personalizar herramientas existentes, iterar con pruebas y retroalimentación, y decidir cuándo apagar un sistema.
Los problemas son del entorno o la comunidad, no del propio aprendizaje; valida el sistema, no el aprendizaje del estudiante; foco escolar.
OCDE + Comisión Europea · AILit
Su dominio Shape AI pide ir más allá de usar sistemas existentes; Manage AI incluye repartir el trabajo entre humano e IA.
Primaria y secundaria; no vinculante; no pide validar con evidencia de aprendizaje.
ISTE para estudiantes
Innovative Designer y Computational Thinker incluyen diseñar, prototipar y probar; Empowered Learner fija metas propias.
K-12; no vincula construir con regular el propio aprendizaje.
DigComp 3.0
Integra la IA en las 21 competencias de la ciudadanía digital.
Verificado solo en páginas oficiales; alcance ciudadano general.
Chile · Matriz de habilidades TIC
Información, comunicación, convivencia digital y tecnología, centradas en consumir y producir contenido.
Anterior a la IA generativa; no incluye construir herramientas.
Marco regional de IA en secundaria
Soberanía tecnológica: de herramientas cerradas a apropiación y creación de modelos abiertos.
Escala de sistema; secundaria.
El vacío no está en crear. Está en construir para el propio aprendizaje y validar qué permanece cuando la herramienta deja de estar disponible.
Dos distinciones ordenan la lectura. La primera es entre crear contenido (presentaciones, videos, textos) y construir una herramienta para aprender, por ejemplo un tutor que no entrega la respuesta hasta que el estudiante intenta, o un generador de práctica espaciada sobre los propios errores. La segunda es entre construir un sistema que funcione y construir uno que mejore el aprendizaje: lo primero se prueba técnicamente, lo segundo exige medir qué aprendió el estudiante sin la herramienta.
Hay además un vacío empírico. No se encontraron estudios latinoamericanos sobre estudiantes que construyan herramientas de aprendizaje con IA, y las investigaciones disponibles provienen sobre todo de contextos anglosajones y asiáticos, con muestras pequeñas y diseños cualitativos (Lo et al., 2026; Huang et al., 2025).
4. El escenario de lectura: cuatro pilares frente a la delegación
El estudiante con capacidad EdTech sabe lo que quiere aprender y puede construir una herramienta para lograrlo. Lo que no ve por sí solo es qué hace que su cerebro aprenda y qué lo hace no aprender. Para eso se propone un escenario de lectura: la ciencia del aprendizaje de Dehaene (2019), cuyos cuatro pilares sirven a la vez de explicación y de criterio de diseño. La Tabla 2 los pone frente al riesgo de delegar en la máquina.
Tabla 2. Los cuatro pilares del aprendizaje frente a la delegación en máquinas
CUATRO PILARES FRENTE A LA IA
Selecciona un pilar para observar qué necesita el aprendizaje, qué puede delegarse a la máquina y cómo protegerlo desde el diseño.
Atención
Amplificar lo que importa; el cerebro procesa una tarea por vez y no percibe su propio retraso al alternar.
La herramienta compite con la tarea; el estudiante cree supervisar y producir a la vez.
Una tarea por vez; objetivo declarado antes de abrir la herramienta; sin funciones que distraigan.
Compromiso activo
Generar hipótesis y ponerlas a prueba; procesar en profundidad; actividad cognitiva y no solo conductual; guía explícita.
La máquina genera la hipótesis, el resumen o la solución; hay procesamiento superficial con apariencia de comprensión.
El estudiante intenta primero y explica con sus palabras; la herramienta guía y estructura, no resuelve.
Retroalimentación del error
Sin error de predicción no hay aprendizaje; la devolución debe detectar, explicar y corregir sin castigo; evaluarse fortalece.
La respuesta inmediata anula la predicción y el error; la devolución complaciente no corrige.
Preguntar antes de mostrar; autoevaluación; devolución que explica el error.
Consolidación
Distribuir el estudio en intervalos; automatizar libera recursos; el sueño consolida.
El acceso permanente a la respuesta evita consolidar; se estudia todo en un bloque con la sensación de saber.
Repasos espaciados; pruebas sin la herramienta; descansos entre sesiones.
La pregunta no es solo qué puede hacer la IA. La pregunta es qué parte del proceso cognitivo debe seguir haciendo el estudiante para que efectivamente ocurra aprendizaje.
La columna de riesgos es una aplicación del autor de este artículo. Dehaene escribe antes de la IA generativa y no estudia la delegación en modelos de lenguaje. Lo que el libro aporta es el mecanismo; que ese mecanismo se active al delegar es una hipótesis que respaldan, solo en parte, los estudios experimentales revisados en la sección 6.
Tres lecturas del libro vuelven consciente el riesgo.
El error es la condición del aprender. Dehaene (2019, cap. 9) recuerda que el cerebro solo aprende cuando percibe un desfase entre lo que predice y lo que recibe, y que, en los experimentos de bloqueo, si una asociación ya explica todo no se genera error y no se aprende nada más. Los algoritmos de aprendizaje de las máquinas se basan en la misma lógica de minimizar errores. Si el estudiante le delega la tarea a la máquina, es la máquina la que ejecuta el ciclo de predecir, equivocarse y corregirse, y es el estudiante quien se pierde ese ciclo. El mismo capítulo muestra que presentar primero una palabra y después su significado supera a presentar ambos juntos, porque obliga a intentar antes de recibir la devolución. De ahí el criterio de diseño de preguntar antes de mostrar.
La ilusión de saber. Releer una lección deja la información activa en la memoria de trabajo, y esa presencia inmediata se confunde con conocimiento que durará. Dehaene (2019, cap. 9) señala que estudiantes y docentes predicen lo contrario de lo que muestra la investigación: creen que estudiar más rinde más que evaluarse, cuando evaluarse fortalece el aprendizaje. También advierte que no tenemos conciencia de nuestros límites mentales: no registramos el retraso que causa alternar tareas (cap. 7). Un problema que la introspección no detecta exige un escenario externo que lo haga visible, y esa es la función de la lectura.
Curiosidad y metacognición. Según Dehaene (2019, cap. 8), la curiosidad surge cuando el cerebro detecta una brecha entre lo que sabe y lo que quiere saber, y exige saber qué no se sabe. Se orienta hacia lo nuevo pero accesible, lo que se conoce como efecto Ricitos de Oro (Kidd y colaboradores, citados en Dehaene, 2019). El aprendiz EdTech parte justamente de esa conciencia: sabe qué quiere aprender. La herramienta que construya debería mantenerlo en esa zona alcanzable y no sacarlo de ella ni por exceso de ayuda ni por exceso de dificultad.
Delegar es sustituir recursos internos por externos. Con la mirada de Tardif (2006, sección 2.5), cada pilar puede describirse como un recurso interno que la herramienta es capaz de ejecutar en lugar del estudiante: la atención que selecciona, la hipótesis que se formula, el error que se corrige y la consolidación que se practica. Cuando eso ocurre, el estudiante obtiene el resultado sin desarrollar el recurso. Por eso la medida decisiva no es solo lo que logra con la herramienta, sino lo que logra sin ella.
5. El constructo: capacidad EdTech del aprendiz situada
5.1. Definición
Se define la capacidad EdTech del aprendiz situada como la aptitud del estudiante adulto para detectar un problema de su propio aprendizaje, construir con ayuda de IA la versión mínima de una herramienta que lo aborde, validarla con evidencia de lo que aprendió sin ella y decidir con criterio si la mantiene, la adapta, la reemplaza o la descarta, protegiendo mientras tanto los cuatro pilares del aprendizaje. Tiene tres componentes: una lógica ágil pedagógico-andragógica, una evidencia decisional y una protección activa del esfuerzo cognitivo.
Lo que la distingue de la capacidad EdTech del docente (González Grez, 2026d) es el objeto y el criterio. El objeto es el aprendizaje de quien construye. El criterio es que la herramienta se juzga por lo que el estudiante logra sin ella, no por lo bien que funciona.
5.2. Cinco niveles de autonomía del aprendiz
Los niveles son un repertorio y no una escalera obligatoria: el estudiante activa el que el problema pide. Se presentan como hipótesis de diseño y no como resultado validado.
Tabla 3. Niveles de autonomía del aprendiz EdTech
CINCO NIVELES DE AUTONOMÍA
Explora qué hace el estudiante, qué evidencia mínima permite sostener su decisión y qué riesgo de delegación debe vigilar en cada nivel.
Adoptar con criterio
Elige herramientas existentes y justifica su uso o no uso para un problema de su aprendizaje.
Problema, alternativa sin IA y razón de la elección.
Usar por inercia.
Configurar
Ajusta instrucciones y modos de estudio de una herramienta a su forma de aprender.
Qué cambió en su práctica antes y después.
Configurar para obtener respuestas y no preguntas.
Diseñar la interacción
Decide qué delega y qué no; se impone salvaguardas, como un tutor que no responde hasta que él intenta.
Explicación del diseño y de cómo protege su esfuerzo.
Salvaguardas cosméticas.
Construir
Crea una herramienta propia con el ciclo detectar, prototipar, iterar y validar.
Prueba de aprendizaje sin la herramienta, además de prueba de funcionamiento.
Construir sin aprender: la máquina hace la herramienta y el contenido.
Gobernar
Decide mantener, compartir o descartar; gestiona datos y autoría; habilita a otros.
Decisión documentada de continuidad o descarte; declaración de autoría.
Compartir herramientas no validadas.
Más autonomía no significa más delegación. Significa asumir más responsabilidad sobre la elección, el diseño, la validación y la continuidad de la herramienta.
5.3. Una estructura de indagación guiada para el semillero
El constructo se traduce en una estructura que un semillero o un curso puede ofrecer: una indagación guiada con prueba de transferencia. Es una propuesta de diseño, aún no probada, y su validación se describe en la sección 8.4. Combina tres ideas con respaldo distinto. De Dehaene (2019), la base previa, la guía explícita y la devolución sobre el error. De la evidencia sobre indagación, que el descubrimiento mejorado con guía supera a otras formas de instrucción, mientras que el descubrimiento sin ayuda queda por debajo de la instrucción explícita (Alfieri et al., 2011). Y de la investigación sobre fracaso productivo, que resolver un problema antes de recibir la instrucción puede favorecer la transferencia, si el estudiante tiene cierto conocimiento previo (Sinha y Kapur, 2021).
Tabla 4. Fases de la indagación guiada con prueba de transferencia
UNA RUTA PARA CONSTRUIR Y APRENDER
Recorre las ocho fases: qué hace el estudiante, qué andamiaje recibe y qué evidencia permite validar que el aprendizaje ocurrió.
Base previa
Se diagnostica sobre lo que ya sabe.
El mentor verifica los prerrequisitos y enseña explícitamente lo que falte.
Prueba diagnóstica.
Escenario, pregunta y predicción
Lee y discute los cuatro pilares, formula qué quiere aprender y predice qué podrá hacer al final.
Lectura guiada del escenario de la sección 4; pregunta acotada a lo accesible.
Discusión sobre sus hábitos con la IA, pregunta registrada y predicción con nivel de confianza.
Intento sin ayuda
Resuelve o construye un primer intento sin IA.
Ninguna ayuda; se espera el error.
Primer intento y errores observados.
Instrucción focalizada
Contrasta su intento con el concepto o la solución canónica.
El mentor explica el principio y lo compara con los intentos.
Explicación con palabras propias.
Indagación con andamiaje que se retira
Construye o investiga con la herramienta.
Andamiaje alto al inicio, decreciente después.
Bitácora de decisiones por ciclo.
Devolución sobre el error
Se autoevalúa y corrige.
Devolución rápida, detallada y sin castigo.
Registro de errores y correcciones.
Prueba sin la herramienta
Resuelve tareas cercanas y lejanas sin IA, de inmediato y con intervalos.
Repasos espaciados.
Retención y transferencia frente a la predicción de la fase 1.
Decisión
Mantiene, adapta o descarta la herramienta o la ruta.
Criterios de cuidado de la sección 8.2.
Decisión documentada con razones.
La herramienta no se valida porque funcione. Se valida cuando el estudiante puede mostrar qué aprendió, qué conserva sin ella y por qué decide mantenerla, adaptarla o descartarla.
La predicción de la fase 1 tiene un propósito deliberado: confrontar la ilusión de saber con un resultado observable en la fase 6, que es el tipo de baño de realidad que Dehaene (2019, cap. 9) atribuye a ponerse a prueba. Las fases 2 y 3 no se aplican por igual a todo contenido: para procedimientos sencillos puede convenir instruir primero (Sinha y Kapur, 2021).
5.4. El docente catalítico como creador de condiciones
El estudiante no da este paso solo. El docente catalítico crea las condiciones: tiempo, permiso, andamiaje, criterios de cuidado y una comunidad que valide. Su capacidad EdTech (González Grez, 2026d) es la que permite acompañar el ciclo desde dentro, y su función de mediación tecnológica (González Grez, 2026a) es el antecedente de este escenario. La capacidad del aprendiz no sustituye a la del docente: la requiere.
6. Evidencia emergente sobre delegar y construir con IA
La evidencia es reciente, en parte preliminar y casi nunca latinoamericana. Se ordena en tres grupos.
Delegar y aprender. En un ensayo aleatorizado con casi mil estudiantes de secundaria en matemáticas, el acceso a un asistente sin salvaguardas mejoró las calificaciones mientras estuvo disponible, y al retirarlo el grupo rindió un 17 % peor que quienes nunca lo habían tenido. Un tutor con salvaguardas mitigó ese daño (Bastani et al., 2025). En un experimento con 117 estudiantes universitarios, quienes escribieron con ChatGPT mejoraron la nota del ensayo sin diferencias en ganancia de conocimiento ni en transferencia respecto de otros grupos (Fan et al., 2025). Una encuesta a trabajadores del conocimiento adultos encontró reducciones autoinformadas del esfuerzo cognitivo (Lee et al., 2025). Dos fuentes deben leerse con más cautela: un estudio con electroencefalografía sobre escritura de ensayos es un preprint con muestra pequeña y crítica metodológica publicada (Kosmyna et al., 2025), y un estudio transversal y autoinformado muestra una asociación entre uso de IA, delegación cognitiva y menor pensamiento crítico, sin establecer causalidad (Gerlich, 2025). La delegación cognitiva como fenómeno general está descrita desde antes de la IA generativa (Risko y Gilbert, 2016).
Construir con IA. Los estudios sobre vibe coding, la construcción de aplicaciones dialogando con un modelo en lenguaje natural, muestran que los estudiantes dedican la mayor parte de sus interacciones a probar y depurar el prototipo, rara vez revisan el código, y que los más avanzados dan más contexto en sus instrucciones (Geng et al., 2026). En un estudio preregistrado con 100 estudiantes terciarios, la destreza de escritura y el logro en informática predijeron el desempeño en esta modalidad (Thorgeirsson et al., 2026), lo que sugiere que especificar bien sigue siendo una barrera que la IA no elimina. Los preprints de Sarkar y Drosos (2025) y Pimenova et al. (2025) describen ciclos iterativos de especificar y verificar y puntos de dolor en la especificación, la fiabilidad y la depuración. Para docentes, hay propuestas de guías para crear tecnologías con esta modalidad (Song et al., 2026).
Estudiantes que crean herramientas de aprendizaje. Los dos estudios más cercanos se describieron en la sección 2.1 (Huang et al., 2025; Lo et al., 2026). Documentan cambio de rol y de identidad, pero no miden ganancias de aprendizaje atribuibles a construir la herramienta.
De esto se desprenden tres conclusiones prudentes. Hay respaldo experimental de que delegar sin salvaguardas puede dañar el aprendizaje en escolares y de que puede no mejorarlo en universitarios. Hay respaldo preliminar de que construir con IA sigue exigiendo especificación y verificación. Y no hay todavía evidencia que muestre que construir la propia herramienta de aprendizaje mejora lo aprendido, que es justamente lo que este artículo propone poner a prueba.
DELEGAR NO ES CONSTRUIR
Compara una solución generada directamente por IA con otra construida mediante iteraciones. Después retira la asistencia y observa qué estructura conserva capacidad para responder por sí misma.
Advertencia cognitiva y metodológica: esta figura es una metáfora interactiva, no una demostración experimental de que “Vibe Coding” produzca por sí mismo mejor aprendizaje. Las torres representan una idea del artículo: una herramienta puede sostener el desempeño mientras está disponible, pero el criterio decisivo es comprobar qué recursos internos permanecen cuando el soporte tecnológico se retira.
7. Caso situado: docencia latinoamericana y semillero STEBE
7.1. Posición del autor y alcance de la observación
El artículo nace de dos fuentes de práctica: la docencia universitaria en contextos de Chile y Perú, y el acompañamiento de estudiantes en el Semillero de Tecnología Educativa Basada en Evidencia (STEBE) del IFE Living Lab del Tecnológico de Monterrey, que trabaja en investigación, pósters y producción académica. Desde esa práctica, el autor observa que el estudiante que desarrolla capacidades EdTech se vuelve más consciente de lo que desea aprender, y que lo que necesita entonces es un escenario que le permita ver los riesgos de delegar ese aprendizaje en las máquinas. Esa observación es del autor, se declara como tal y no se apoya aquí en datos sistematizados.
El autor ocupa además una posición de coordinación y mentoría. Esa doble condición exige declarar el conflicto potencial, anonimizar los casos, no vincular la participación con calificaciones y obtener consentimiento informado antes de documentar cualquier caso.
7.2. Por qué un semillero
Los semilleros de investigación son una tradición formativa latinoamericana. La Red Colombiana de Semilleros de Investigación se remonta a 1998, y un estudio interpretativo en una universidad pública colombiana, con 38 docentes y 38 estudiantes, asocia el semillero con reflexión, pensamiento crítico y trabajo colaborativo (López Ávila et al., 2025). Una revisión sistemática de 12 estudios sudamericanos advierte que la literatura sobre semilleros como tal es escasa (Morales-Santillán y Peralta-Herrera, 2023). No se encontró literatura que vincule los semilleros con la construcción de herramientas con IA.
El semillero ofrece lo que el constructo necesita: un grupo pequeño, acompañado por un mentor, donde el estudiante ya pasa de consumir conocimiento a producirlo. Añadirle la construcción guiada de herramientas de aprendizaje es una extensión natural, y la estructura de pares y de mentoría es la guía explícita que Dehaene (2019, cap. 8) exige para que el compromiso activo no degenere en descubrimiento sin orientación.
7.3. Qué es STEBE
El Semillero de Tecnología Educativa Basada en Evidencias (STEBE) es una iniciativa del Living Lab del Institute for the Future of Education (IFE) del Tecnológico de Monterrey que busca desarrollar competencias digitales y de IA en estudiantes de grado y posgrado mediante proyectos de investigación y colaboración con universidades y empresas EdTech (González Grez et al., 2025; González Grez, 2025c). Se formalizó en 2024 y se apoya en la metodología Living Lab, en la que los usuarios y otros actores participan como co-creadores (González Grez, 2025b; Morán-Mirabal et al., 2025).
Se organiza en cuatro ejes. En Experimenta, los estudiantes participan en la validación de tecnologías educativas, el análisis de datos y los reportes científicos. En Comunica, transforman conceptos técnicos en mensajes accesibles para docentes. En Crea, desarrollan soluciones tecnológicas, desde algoritmos hasta dispositivos, para retos de investigación. Aprende es una dimensión transversal de autoaprendizaje, colaboración entre pares y pensamiento resolutivo, que el póster del programa rotula como diseño de rutas de autoaprendizaje con tecnología educativa (González Grez et al., 2025; González Grez, 2025c).
Cada estudiante parte de un diagnóstico inicial de habilidades digitales y de IA, con microcasos y no solo con autopercepción, que permite ubicarlo en una trayectoria de progresión y asignarle un eje y un proyecto según sus intereses (González Grez, 2025b, 2025c). La mentoría está a cargo de un equipo de cuatro mentores, tres de ellos docentes de distintos países de Iberoamérica, y sigue la lógica Living Lab de colaboración entre estudiantes, investigadores y aliados en problemas auténticos (González Grez, 2025c). La metodología combina rutas personalizadas, experimentación con tecnologías emergentes, instrucción entre pares, proyectos con aliados y evaluación continua (González Grez, 2025b). No se describe aquí el protocolo con que se realiza la instrucción entre pares, por lo que no se le atribuye la evidencia de modelos formales de ese método.
7.4. Lo que STEBE ya hace frente a la estructura
La estructura de la sección 5.3 no reemplaza a STEBE: se apoya en lo que ya existe y agrega lo que falta. La Tabla 5 compara ambos.
Tabla 5. Las fases de la estructura de indagación guiada y su situación en STEBE
¿QUÉ EXISTE Y QUÉ FALTA?
Recorre las ocho fases para comparar lo que STEBE ya hace con lo que la estructura de indagación guiada propone incorporar o explicitar.
Base previa
Existe: diagnóstico inicial con microcasos.
Usarlo como línea base de la estructura.
Escenario, pregunta y predicción
No documentada en las fuentes revisadas.
Lectura guiada del escenario y predicción con nivel de confianza.
Intento sin ayuda
No documentada.
Intento previo a cualquier consulta.
Instrucción focalizada
Parcial: mentoría e instrucción entre pares.
Instrucción que contraste el intento con la solución canónica.
Indagación con andamiaje que se retira
Parcial: proyectos con mentoría y rutas personalizadas.
Retiro explícito y gradual del andamiaje.
Devolución sobre el error
Parcial: evaluación continua.
Devolución explícita sobre el error y registro de correcciones.
Prueba sin la herramienta
Existe en parte: la capa estandarizada del sistema se responde sin IA (sección 7.5).
Tareas cercanas y lejanas, con intervalos y retención diferida.
Decisión de mantener, adaptar o descartar
Por confirmar, según los campos de la bitácora.
Campo explícito de decisión con sus razones.
La propuesta no reemplaza STEBE: hace explícita una estructura que hoy existe de manera desigual. Parte de capacidades ya instaladas, identifica vacíos documentales y añade condiciones para observar predicción, error, transferencia y decisión.
7.5. El sistema de bitácoras y evaluación decisional
En el Living Lab, los estudiantes registran su proceso en un sistema construido para ese propósito. El sistema combina dos capas (Tabla 6). La capa estandarizada presenta a cada estudiante, de forma aleatoria y sin acceso a IA, casos y desafíos tomados de un compendio de instrumentos de competencia digital y de IA, y registra las decisiones que declara que tomaría. La capa individual recoge su bitácora de proceso, donde documenta las decisiones que efectivamente toma, con las herramientas que use. Al cierre de su paso por el semillero, ambas capas se integran en un perfil de competencias.
Tabla 6. Las dos capas del sistema de bitácoras y evaluación decisional
DOS CAPAS, DOS EVIDENCIAS
Alterna entre las dos capas para observar de dónde proviene la evidencia, qué decisiones registra y qué tipo de recursos permite ver.
Estandarizada
Preguntas aleatorias del compendio, sin acceso a IA.
Decisiones declaradas ante casos comparables entre estudiantes y momentos.
Recursos internos.
Individual
Bitácora de proceso.
Decisiones documentadas en el trabajo real, con herramientas.
Combinación de recursos internos y externos.
El valor está en cruzar ambas capas. Una observa decisiones comparables sin acceso a IA; la otra documenta cómo el estudiante decide en situaciones reales usando herramientas.
El diseño se apoya en la perspectiva de Tardif (2006) de la sección 2.5. Los casos del compendio funcionan como familia de situaciones, la bitácora como documentación del recorrido de desarrollo y las decisiones como manifestación de la movilización de recursos. Como la capa estandarizada se responde sin IA, aísla los recursos internos; la bitácora, donde sí hay herramientas, muestra cómo se combinan con los externos. El cruce permite además comparar lo que el estudiante declara que haría con lo que documenta que hizo, una forma de calibración (hipótesis H3), y contrastar la calidad de sus decisiones con y sin IA.
El sistema se encuentra en proceso de sistematización. Sus propiedades de medida (calibración de los ítems, claves de puntuación de las decisiones, confiabilidad) no están establecidas, debe documentarse cómo se asegura que la capa estandarizada se responde sin acceso a IA, y este artículo no reporta resultados obtenidos con él. Se lo describe como instrumento de la agenda de validación (sección 8.4).
7.6. Productos informados por el programa
STEBE informa como productos de su trabajo el proyecto BFE (Biometrics for Education), que obtuvo el primer lugar en Expo Ingenierías; la participación de estudiantes en 12 artículos académicos y 8 informes técnicos sobre biométricos, análisis de datos y dispositivos tecnológicos; tres prototipos adoptados por instituciones educativas; y alianzas con universidades y empresas EdTech (González Grez et al., 2025; González Grez, 2025c). Son datos informados por el propio programa y no constituyen evidencia independiente de efectividad. Tampoco se reportan indicadores de efecto, porque el sistema de medición está en proceso de sistematización.
7.7. Qué se documentará en el piloto
El piloto se apoya en el sistema anterior y le agrega lo que la estructura exige: campos de predicción con nivel de confianza (fase 1), el intento sin ayuda (fase 2), el prototipo construido y con qué IA, la prueba sin la herramienta contrastada con la predicción (fase 6) y la decisión de mantener, adaptar o descartar con sus razones (fase 7). Puede apoyarse en la autoetnografía y la reflexividad que usan trabajos de co-creación con IA (Lo et al., 2026), y los instrumentos del autor, el EdTech Model Canvas y el Canvas de experiencias de aprendizaje situadas (González Grez, 2026b, 2026c), pueden orientar el diseño de cada ciclo.
8. Tensiones, criterios de cuidado y proposiciones
8.1. Seis tensiones
- Descubrimiento sin guía. Si construir se vuelve exploración sin orientación, se repite la falla que Dehaene (2019, cap. 8) atribuye al aprendizaje por descubrimiento. Su advertencia sobre el mito del nativo digital agrega que estar rodeado de tecnología suele dejar un saber superficial, de modo que no puede suponerse que el estudiante sabe construir ni evaluar lo construido.
- Ilusión de competencia. Quien construye una herramienta que funciona puede creer que domina lo que la herramienta hace. Por eso la validación exige una prueba sin la herramienta.
- Autoría y evaluación. Las declaraciones de uso de IA no bastan; los cambios que importan son los estructurales, en el diseño de la tarea (Corbin, Dawson et al., 2025). La IA desestabiliza los supuestos sobre autoría y evidencia de aprendizaje (Corbin, Bearman et al., 2025). Escalas de uso permitido (Perkins et al., 2024) y orientaciones de reforma de la evaluación (Lodge et al., 2025) ayudan a definir qué se evalúa: el proceso de construcción y la decisión, y no solo el producto.
- Dependencia de plataformas. Construir sobre modelos y servicios de terceros limita la autonomía que el constructo promete. La crítica a la economía política de la IA educativa (Selwyn, 2024; Williamson, 2024) y la propuesta regional de soberanía tecnológica (Scoppetta, 2026) obligan a tratar esta dependencia como parte del argumento.
- Datos propios y ajenos. Una herramienta de estudio puede recibir apuntes, trabajos o datos de compañeros. Se requiere minimizar datos y no subir información de terceros sin su consentimiento.
- Desigualdad de capital previo. La destreza de escritura y el logro previo en informática predicen el desempeño al construir con IA (Thorgeirsson et al., 2026). Sin andamiaje, la capacidad puede ampliar brechas entre estudiantes en lugar de cerrarlas.
8.2. Criterios mínimos de cuidado
Son una propuesta de elaboración propia, no tomada de una fuente:
- declarar el objetivo de aprendizaje antes de abrir la herramienta;
- predecir antes de consultar;
- diseñar la herramienta para que no entregue la respuesta antes del intento del estudiante;
- incorporar autoevaluación y repasos espaciados;
- evaluar el aprendizaje sin la herramienta, además de su funcionamiento;
- explicar con palabras propias lo que la herramienta produce;
- registrar la decisión de mantener, adaptar o descartar;
- minimizar datos y no cargar información de terceros sin consentimiento;
- declarar la autoría y el uso de IA en todo producto evaluado;
- asegurar reversibilidad: el estudiante debe poder estudiar sin la herramienta.
8.3. Proposiciones
- P1. El estudiante adulto puede asumir la construcción de herramientas para su propio aprendizaje como siguiente paso de su rol, si se dan condiciones de guía y de comunidad.
- P2. Los marcos internacionales revisados cubren la creación de herramientas de IA, pero no la orientada al propio aprendizaje ni la validada con evidencia de aprendizaje.
- P3. El riesgo central de construir con IA es delegar el esfuerzo cognitivo, y puede describirse con los cuatro pilares del aprendizaje (hipótesis de aplicación).
- P4. Una herramienta protege el aprendizaje si obliga a predecir antes de mostrar, a explicar con palabras propias, a evaluarse y a espaciar los repasos.
- P5. La construcción debe ser guiada: la exploración sin orientación no asegura el aprendizaje profundo, y el descubrimiento con guía supera al descubrimiento sin ayuda (Alfieri et al., 2011).
- P6. La validación de la herramienta requiere evidencia decisional y una prueba de aprendizaje sin ella.
- P7. Leer el escenario de los cuatro pilares antes de construir aumenta la conciencia de los riesgos de delegar (hipótesis a contrastar).
8.4. Agenda de validación
Lo que se somete a validación es la estructura de indagación guiada con prueba de transferencia (sección 5.3), y no solo el constructo. La agenda tiene tres capas: una conceptual, una comparativa y una situada.
Capa 1. Validación conceptual. Juicio de expertos sobre el inventario, los cinco niveles y las ocho fases; doble codificación de los marcos de la Tabla 1 con cálculo de acuerdo entre codificadores; y ubicación de los niveles del aprendiz respecto de los niveles de progresión del Modelo Constelar (Ramírez-Martinell y González Grez, 2026).
Capa 2. Validación comparativa. La indagación se valida comparándola. Se propone un diseño cuasi experimental con tres condiciones, el mismo contenido y asignación por cohortes o bloques, con el conocimiento previo medido en la fase 0 como covariable.
Tabla 7. Condiciones del diseño comparativo y predicciones:
TRES CONDICIONES, UNA COMPARACIÓN
Selecciona una condición para observar cómo se organiza la experiencia y qué resultados se predicen en retención y transferencia.
Indagación autónoma
El estudiante construye con IA y con mínima intervención del mentor (tipo SOLE).
Dehaene (2019) y Alfieri et al. (2011): menor retención y transferencia que C. Lectura propia de la propuesta de Mitra (2014): mayor motivación y resultados comparables.
Instrucción primero
Explicación del mentor y luego práctica con la herramienta.
Buena retención, sobre todo en contenido procedimental.
Estructura guiada
Las ocho fases de la sección 5.3, con andamiaje que se retira.
Sinha y Kapur (2021): igual o mejor transferencia que B en contenido conceptual, sin ventaja en contenido procedimental.
mínima intervención
antes de practicar
que se retira
La comparación no pregunta solo qué condición produce mejores resultados. Permite contrastar cuándo conviene la autonomía, cuándo la instrucción previa y cuándo una estructura guiada con retirada progresiva del andamiaje.
Se formulan cuatro hipótesis, cada una con su condición de refutación.
- H1. Con estudiantes adultos, C supera a A en retención a un mes y en transferencia (Alfieri et al., 2011). Se refuta si A iguala o supera a C: eso indicaría que la guía no es necesaria en esa población.
- H2. La ventaja de C sobre B depende del tipo de contenido: aparece o se iguala en contenido conceptual y no aparece en contenido procedimental (Sinha y Kapur, 2021). Se refuta si C supera a B también en procedimientos o si B supera a C en conceptos.
- H3. Predecir antes de construir mejora la calibración, es decir, la coincidencia entre lo que el estudiante cree que logrará y lo que logra sin la herramienta; en STEBE puede medirse además entre lo que el estudiante declara que haría y lo que documenta que hizo. Es una hipótesis propia derivada de la ilusión de saber (Dehaene, 2019, cap. 9). Se refuta si la calibración no difiere entre quienes predicen y quienes no.
- H4. Leer el escenario de los cuatro pilares antes de construir aumenta la conciencia del riesgo de delegar y la frecuencia de conductas protectoras, como intentar sin ayuda o evaluarse. Se refuta si no hay diferencias en esas conductas.
Las medidas son: retención y transferencia sin la herramienta, de inmediato, a una semana y a un mes, que en STEBE se obtienen con las decisiones declaradas sin IA de la capa estandarizada del sistema (sección 7.5) y con tareas de contenido si se quiere medir retención; calibración entre predicción y resultado y entre lo que el estudiante declara que haría y lo que documenta que hizo; tiempo y esfuerzo percibido; motivación y curiosidad, porque la propuesta de Mitra anticipa ventajas ahí; y las decisiones registradas en la bitácora. De forma exploratoria, el sistema permite comparar la calidad de las decisiones documentadas en proceso, con herramientas, con la de las decisiones declaradas sin IA: una brecha amplia a favor del proceso con herramientas, con bajo desempeño sin ellas, podría señalar dependencia, lo que es una hipótesis por validar. Los evaluadores deben desconocer la condición de cada estudiante. Los umbrales para considerar válida la estructura (cuánta retención, cuánta transferencia, qué diferencia mínima) se definen antes de medir, con el grupo investigador y, de ser posible, en un registro previo del estudio.
Capa 3. Validación situada. Un piloto en STEBE con el sistema de bitácoras y evaluación decisional descrito en la sección 7.5, ampliado con los campos de la sección 7.7. Con grupos pequeños no permite inferencia estadística, pero sirve para afinar las fases, los criterios de cuidado y las medidas antes del diseño comparativo. Requiere consentimiento informado, anonimización, ninguna vinculación con calificaciones y aprobación ética institucional.
Una condición mínima para llamar válida a una indagación es que cumpla siete criterios: guía documentada, intento previo sin ayuda, devolución sobre el error, prueba sin la herramienta, retención diferida, transferencia y calibración. Una indagación que no los cumple puede ser valiosa, pero no queda validada por esta estructura.
8.5. Límites
Los límites son ocho. Dehaene (2019) es anterior a la IA generativa y se aplica aquí por mecanismo. Su crítica al descubrimiento, incluida su lectura de Papert, es una posición que se contrasta aquí con la evidencia sobre indagación guiada (Alfieri et al., 2011) y con la propuesta de Mitra (2014), pero no agota el debate. La evidencia sobre indagación y fracaso productivo proviene sobre todo de ciencias y matemáticas y de contextos escolares o universitarios convencionales, no de adultos que construyen herramientas con IA. La observación del autor no está sistematizada. La evidencia sobre delegación proviene de escolares y de tareas breves de laboratorio. La codificación de los marcos fue realizada por una sola persona. El sistema de bitácoras y evaluación decisional de STEBE está en proceso de sistematización: sus propiedades de medida no están establecidas y este artículo no reporta resultados obtenidos con él. Y no hay estudios latinoamericanos sobre estudiantes que construyan herramientas de aprendizaje.
9. Conclusión
El estudiante de educación superior y de formación de adultos ya puede dejar de elegir entre lo que existe y construir la herramienta que su aprendizaje necesita. Los marcos internacionales reconocen la creación de herramientas de IA, pero no la orientan al propio aprendizaje ni la validan con evidencia de lo que el estudiante aprendió, y están pensados para la escuela.
El riesgo central de ese paso es construir sin aprender. La ciencia del aprendizaje de Dehaene (2019) lo vuelve consciente: el cerebro aprende cuando atiende, se compromete activamente, recibe una devolución sobre su error y consolida en el tiempo, y cada uno de esos pilares puede erosionarse cuando se delega en la máquina. Su crítica al descubrimiento sin guía impide formular la propuesta como construcción espontánea: el aprendiz EdTech construye con orientación explícita y se evalúa sin la herramienta.
La capacidad EdTech del aprendiz situada propone ese paso del rol con raíces en Freire, Illich, Martín-Barbero y Fals Borda. Ofrece cinco niveles de autonomía, criterios de diseño que protegen cada pilar, una estructura de indagación guiada con prueba de transferencia y un escenario formativo para el semillero, donde el estudiante ya pasa de consumir conocimiento a producirlo. Es la otra cara de la capacidad EdTech del docente catalítico, que la requiere para acompañar.
Falta evidencia. Nada de lo propuesto muestra todavía que construir la propia herramienta de aprendizaje mejore lo aprendido. Por eso las proposiciones se presentan como hipótesis y la agenda empieza por un piloto en STEBE apoyado en el sistema de bitácoras y evaluación decisional del semillero, que incluye una prueba sin acceso a IA, y sigue con un diseño comparativo de tres condiciones que pone a prueba la propia estructura. Si el estudiante da el paso con conciencia de lo que desea aprender y de lo que la máquina puede quitarle, su siguiente rol no será el de usuario de la IA, sino el de autor de su propio aprendizaje.
CONCEPTOS PARA LEER CON CRITERIO
Elige una categoría y después un concepto. La definición se muestra sin desplegar contenido adicional en la página.
Advertencia cognitiva: reconocer una definición no equivale a dominar el concepto. Intenta explicarlo con tus propias palabras y aplicarlo antes de volver a consultar el glosario.