Introducción: Diferencia entre Chatbots y Agentes de IA
Entendiendo dos tecnologías diferentes
Quizás no muchos de los que no tenemos tanto conocimiento informático entendemos cuál es la diferencia entre un agente y un chatbot.
La inteligencia artificial ha avanzado significativamente en los últimos años. Muchas personas utilizan chatbots para obtener información y respuestas a sus preguntas. Sin embargo, existe una diferencia importante entre un chatbot y un agente de IA que todo docente debe conocer.
2024: El año de los agentes
Este año, sin duda, ha sido el año de los agentes.
Durante 2024, los agentes de IA se han convertido en una herramienta cada vez más accesible y relevante. Para los profesores sin conocimientos técnicos profundos, es fundamental comprender qué son estos agentes y cómo pueden transformar el trabajo educativo.
La diferencia fundamental
A veces se dice que un chatbot responde preguntas y un agente realiza tareas, ejecuta tareas.
La distinción es clara: un chatbot responde preguntas y proporciona información. Un agente, por el contrario, realiza acciones y ejecuta tareas específicas.
Imaginemos que se necesita revisar un aula virtual antes de iniciar un curso. Un chatbot puede explicar qué debe verificarse y proporcionar una lista de pasos. Puede ayudar a redactar un informe sobre lo que se encontró.
Un agente de IA, en cambio, puede hacer mucho más. Si tiene los permisos y las herramientas adecuadas, puede abrir directamente el aula virtual, revisar los contenidos, realizar cambios en elementos específicos y ejecutar procesos automáticamente. Esto representa un cambio significativo en cómo se puede trabajar en educación.
Más allá de los chatbots tradicionales
Los agentes de inteligencia artificial pueden descargarse e instalarse en computadores personales. Esta capacidad permite a los docentes utilizarlos de manera más directa y personalizada. No es necesario depender únicamente de herramientas en línea o conversacionales.
El impacto de estos agentes va más allá de la simple automatización. Pueden transformar aspectos importantes del trabajo docente, especialmente aquellas tareas que requieren múltiples pasos y ejecución de procesos complejos.
Relevancia para la educación
Comprender estas diferencias es esencial para aprovechar correctamente las nuevas tecnologías en el aula. Los agentes abren posibilidades que los chatbots tradicionales no ofrecen. Esto hace que sean herramientas particularmente valiosas para mejorar la eficiencia en procesos educativos.
A lo largo de este contenido, se explicarán en detalle las funcionalidades de los agentes, cómo operan, qué herramientas utilizan y, lo más importante, cómo pueden aplicarse de manera efectiva en la didáctica y en los procesos de enseñanza y aprendizaje.
Ejemplo Práctico: Revisión de Aula Virtual
Un caso de uso común en la educación
Imaginemos una situación frecuente en la docencia: necesita revisarse un aula virtual antes de iniciar un curso. Esta tarea implica verificar múltiples elementos, comprobar que todo esté en orden y, posiblemente, realizar ajustes antes de que los estudiantes accedan al espacio. Este ejemplo ilustra claramente la diferencia entre lo que puede hacer un chatbot y lo que puede realizar un agente de IA.
Lo que un chatbot puede hacer
Un chatbot puede explicarte qué debes comprobar, por ejemplo, puede darte una lista de pasos y ayudarte a redactar un informe.
Un chatbot tradicional es útil para proporcionar orientación. Puede explicar qué elementos deben verificarse en el aula virtual. Puede generar una lista detallada de pasos a seguir. También puede ayudar a redactar un informe sobre los hallazgos.
Sin embargo, el docente es quien ejecuta todas estas acciones. El chatbot genera la respuesta, pero la persona debe realizar el procedimiento manualmente. La inteligencia artificial proporciona la información; el docente implementa lo que sugiere.
Lo que un agente de IA puede hacer
Un agente, en cambio, si cuenta con los permisos y las herramientas necesarias, puede abrir el aula virtual y revisar lo que tú puedes y lo que tú quieres que revise.
Un agente de IA funciona de manera radicalmente diferente. No solo proporciona instrucciones; puede actuar directamente en el aula virtual. Si se le otorgan los permisos y las herramientas adecuadas, puede:
- Acceder directamente al aula virtual
- Revisar los contenidos disponibles
- Evaluar qué elementos están presentes
- Identificar qué necesita ser verificado
El agente no solo analiza; interviene activamente en el entorno.
Capacidades de ejecución y modificación
Y esto puede transformar parte del trabajo docente, es decir, las tareas que ejecuta un agente que puede ejecutar en tu computador.
Un agente puede hacer mucho más que revisar. Puede modificar elementos dentro del aula virtual. Puede ejecutar procesos automáticamente. Puede realizar cambios en la estructura del curso, actualizar contenidos y ajustar configuraciones.
Lo más importante es que el agente trabaja directamente en los archivos y espacios que el docente utiliza. No simplemente responde preguntas; interviene en el entorno real de trabajo.
Un ejemplo con rúbricas y programas
Para comprender mejor esta diferencia, consideremos un caso más específico: trabajar con una rúbrica de evaluación.
Un chatbot puede leer una rúbrica que se le adjunta y sugerir mejoras. Puede analizar el documento y proporcionar recomendaciones sobre cómo mejorarla.
Un agente, sin embargo, puede realizar un proceso completo y automático:
- Localizar la rúbrica en el aula virtual
- Encontrar el programa de la asignatura
- Comparar ambos documentos para verificar coherencia
- Crear una copia corregida que alinee la rúbrica con el programa
- Verificar que el formato se mantenga correctamente
- Guardar un informe detallado con todos los cambios realizados
El agente mantiene el objetivo durante varios pasos. Elige las herramientas necesarias, actúa, observa el resultado y ajusta el siguiente paso según sea necesario. Todo esto ocurre sin intervención humana durante el proceso.
El cambio fundamental en el trabajo docente
Esta capacidad de acción directa representa una transformación importante en cómo se puede trabajar en educación. Las tareas que un agente puede ejecutar en el computador del docente o en aplicaciones conectadas pueden automatizarse completamente.
El docente no necesita ejecutar manualmente cada paso. No debe realizar comprobaciones uno a uno. El agente puede encargarse de procesos enteros que antes requerían tiempo y atención dedicada.
Implicaciones prácticas
Esta diferencia tiene consecuencias reales para la eficiencia educativa. Un docente que necesita revisar un aula virtual antes de un curso puede:
- Con un chatbot: recibir una lista de verificación y realizar manualmente cada paso
- Con un agente: delegar la revisión completa y recibir un informe con los cambios ya realizados
El tiempo ahorrado es significativo. La precisión puede ser mayor. Los procesos se vuelven más confiables y reproducibles.
Conclusión
El ejemplo de revisar un aula virtual muestra claramente por qué los agentes de IA representan un avance importante más allá de los chatbots tradicionales. No se trata solo de obtener información mejor o más rápida. Se trata de transferir la ejecución de tareas complejas a sistemas que pueden actuar de manera autónoma, manteniendo objetivos a lo largo de múltiples pasos y adaptándose según los resultados que observan.
Para los docentes, esto significa acceso a herramientas que pueden asumir responsabilidades operativas reales, liberando tiempo para enfocarse en aspectos más estratégicos y pedagógicos de la enseñanza.
El Ciclo de Funcionamiento de un Agente de IA
Cómo operan los agentes paso a paso
Una forma sencilla de entender su funcionamiento es mediante este ciclo: comprender, planificar, actuar, verificar, corregir.
Los agentes de IA funcionan siguiendo un ciclo bien definido. Este proceso permite que el agente mantenga un objetivo durante varios pasos y se adapte según los resultados que observa.
Las cinco etapas del ciclo
El ciclo de operación de un agente consta de cinco etapas principales:
- Comprender: El agente recibe la tarea y entiende qué debe hacer
- Planificar: Define la estrategia y los pasos necesarios para lograr el objetivo
- Actuar: Ejecuta las acciones según el plan establecido
- Verificar: Observa los resultados de sus acciones
- Corregir: Ajusta el siguiente paso según lo observado
Cada etapa se cumple de manera secuencial. El agente ejecuta esta secuencia una y otra vez hasta completar la tarea.
Autonomía: la característica fundamental
La autonomía es sumamente importante dentro de un agente.
La característica más importante de un agente es su capacidad de trabajar de forma autónoma. Un agente puede funcionar sin supervisión constante. Se puede dejar trabajando durante horas o incluso toda una noche, continuando con su objetivo sin intervención humana.
Esta autonomía es lo que diferencia a los agentes de otras herramientas de IA. El agente no espera instrucciones en cada paso. Toma decisiones, actúa y se corrige a sí mismo de acuerdo con los resultados.
Posibilidades de error y limitaciones actuales
Pueden equivocarse. Obviamente hay que tener cuidado porque también puede borrar algunos archivos.
Los agentes no son perfectos. Pueden cometer errores durante el proceso. Algunos errores son menores, pero otros pueden tener consecuencias importantes, como eliminar archivos por accidente.
También pueden detenerse o enfrentar dificultades durante la ejecución. Sin embargo, cada vez mejoran en superar estos obstáculos. Los agentes actuales avanzan constantemente en su capacidad de resolver problemas.
Resumen de conceptos clave
- El ciclo de funcionamiento es simple: comprender, planificar, actuar, verificar, corregir
- Los agentes pueden mantener objetivos durante múltiples pasos
- La autonomía permite que trabajen sin supervisión constante
- Los agentes pueden cometer errores y deben usarse con cuidado
- La tecnología mejora continuamente en resolver limitaciones
Autonomía, Permisos y Supervisión Humana
Cómo controlar el funcionamiento de los agentes
El funcionamiento de un agente no depende solo de sus capacidades. Depende también de cómo se configura y qué límites se establecen. Tres elementos son fundamentales para usar los agentes de forma segura en educación.
Los tres pilares del control
Depende de las instrucciones, las herramientas disponibles, los permisos que concedemos y los puntos en los que exigimos también una revisión humana.
El comportamiento de un agente se define por:
- Las instrucciones: qué tarea debe realizar
- Las herramientas disponibles: qué puede utilizar para lograr su objetivo
- Los permisos: qué acciones está autorizado a ejecutar
- Los puntos de revisión humana: dónde se requiere aprobación de una persona
Autonomía graduada según el riesgo
La autonomía debe graduarse según el riesgo de la tarea.
No todos los trabajos tienen el mismo nivel de riesgo. Por eso, la autonomía debe ajustarse a cada situación.
Un agente puede realizar tareas de bajo riesgo de forma completamente autónoma. Puede trabajar durante horas sin supervisión hasta completar el objetivo. Puede hacer y deshacer cambios en una carpeta de prueba sin necesidad de aprobación.
Sin embargo, las tareas de alto riesgo requieren puntos de control. La autonomía debe limitarse en estos casos.
Ejemplo práctico: revisión de enlaces y publicación
Un mismo agente podría revisar enlaces de forma autónoma, pero necesitar autorización antes de publicar contenidos, por ejemplo, enviar correo, modificar calificación.
Un mismo agente puede tener diferentes niveles de autonomía según la acción:
- Revisar enlaces: puede hacerlo de forma autónoma sin aprobación previa
- Publicar contenidos: requiere autorización humana antes de ejecutar
- Enviar correos: necesita aprobación de la persona responsable
- Modificar calificaciones: debe contar con supervisión explícita
Esta graduación permite que el agente sea eficiente en tareas seguras y controlado en acciones que afectan directamente a estudiantes o procesos críticos.
La importancia de los permisos limitados
Los agentes utilizan herramientas externas para cumplir sus objetivos. Estas herramientas deben estar limitadas a lo necesario. Un agente no debe tener acceso a todas las funciones disponibles, sino solo a aquellas que requiere para su tarea específica.
Los permisos limitados reducen el riesgo de errores graves. Si un agente solo puede acceder a una carpeta específica, no puede eliminar accidentalmente archivos en otras ubicaciones. Si solo puede enviar correos con aprobación previa, no puede cometer errores de comunicación.
Salvaguardas de seguridad
Hay que tener cuidado también cuando tratamos con este tipo de agentes hasta que todos los salvaguardas de seguridad los podemos confiar.
Los agentes aún están en desarrollo. No todos los mecanismos de seguridad son perfectos. Por eso, se recomienda cautela al implementarlos en procesos educativos críticos.
Las salvaguardas de seguridad incluyen:
- Límites claros en los permisos
- Puntos obligatorios de revisión humana
- Restricción de acceso a datos sensibles
- Auditoría de las acciones realizadas
Resumen de conceptos clave
- La autonomía de un agente se controla mediante instrucciones, herramientas, permisos y supervisión
- Las tareas de bajo riesgo pueden ser completamente autónomas
- Las tareas de alto riesgo requieren puntos de revisión humana obligatoria
- Los permisos deben ser limitados a lo estrictamente necesario
- Las salvaguardas de seguridad son esenciales hasta que la tecnología sea completamente confiable
Skills: Guías de Trabajo Reutilizables
Qué es una skill
Podemos entender una skill como una guía de trabajo reutilizable. Reúne instrucciones, criterios, pasos.
Una skill es un documento estructurado que se entrega a un agente de IA. Funciona como una guía completa de trabajo que el agente debe seguir para realizar una tarea específica.
A diferencia de un prompt tradicional, una skill va más allá. Proporciona no solo instrucciones generales, sino un conjunto detallado de componentes que el agente utiliza para trabajar de forma eficiente.
Componentes de una skill
Una skill contiene:
- Instrucciones claras: qué debe hacer el agente
- Criterios específicos: cómo evaluar si el trabajo es correcto
- Pasos ordenados: la secuencia a seguir
- Plantillas y recursos: elementos reutilizables para la tarea
La skill como matriz de trabajo
La skill es un documento que nosotros le entregamos, es como una matriz de trabajo que el agente tiene que ir cumpliendo.
La skill actúa como una matriz de trabajo. El agente recibe el documento y sigue sus indicaciones punto por punto. Esta estructura permite que el agente ejecute tareas complejas de forma consistente y predecible.
Esto es diferente a los prompts tradicionales. Un prompt proporciona contexto e indicaciones. Una skill proporciona un marco operativo completo que el agente debe cumplir.
Diferencia entre prompts y skills
Los prompts tradicionales son útiles para obtener respuestas. Las skills van más allá: son documentos de trabajo que transforman cómo los agentes ejecutan tareas.
Con un prompt, el agente responde una pregunta. Con una skill, el agente sigue un procedimiento estructurado diseñado para lograr un objetivo específico.
Subagentes y división de tareas
Muchas veces se despliegan subagentes para hacer diferentes tareas.
Las skills permiten que un agente principal cree subagentes para cumplir objetivos complejos. Cada subagente recibe una tarea específica. Todas las tareas convergen en un resultado final.
Por ejemplo, para crear un juego interactivo, un agente puede generar varios subagentes. Uno se encarga de diseñar la mecánica. Otro crea el contenido. Un tercero integra todo en una actividad cohesiva. Las tareas de todos confluyen en el producto final.
Ventajas de las skills
Las skills ofrecen beneficios importantes:
- Reutilización: se pueden usar múltiples veces para tareas similares
- Consistencia: el agente sigue el mismo procedimiento cada vez
- Precisión: los criterios definidos reducen errores
- Eficiencia: evita problemas y errores en los resultados
Estándar abierto
Las skills surgieron originalmente en sistemas como Claude, de Anthropic. Sin embargo, están siendo adoptadas por otros sistemas de IA. Se están convirtiendo en un estándar abierto para cómo los agentes reciben y ejecutan tareas complejas.
Esta estandarización permite que las skills sean portables y reutilizables en diferentes plataformas.
Resumen de conceptos clave
- Una skill es una guía de trabajo reutilizable para agentes
- Contiene instrucciones, criterios, pasos y recursos
- Funciona como una matriz de trabajo que el agente cumple
- Permite crear subagentes para tareas complejas
- Ofrece mayor consistencia y precisión que los prompts tradicionales
- Se está consolidando como un estándar abierto en sistemas de IA
Subagentes y Creación de Materiales Educativos
Despliegue de subagentes para tareas específicas
Por ejemplo, si yo quiero generar un material interactivo o un juego interactivo, el camino de la gente es generar sus propios sub agentes para cumplir el objetivo que tú le diste
Los agentes principales pueden crear subagentes cuando la tarea lo requiere. Cada subagente recibe una misión específica. Todos trabajan hacia un mismo objetivo final.
Generación de materiales interactivos y juegos
Todas esas tareas van a confluir en el juego o en la actividad interactiva que tú le entregaste
Para crear un juego interactivo o material educativo, se despliegan varios subagentes simultáneamente. Uno diseña la mecánica del juego. Otro genera el contenido educativo. Un tercero integra los elementos visuales. Todos sus trabajos convergen en el producto final.
Confluencia de tareas en un objetivo final
Este sistema permite que tareas complejas se dividan en partes manejables. Cada subagente se especializa en lo que hace mejor. Al final, todas las piezas se unen en una actividad coherente y funcional.
Potencia del sistema de subagentes
Con eso también nos ahorramos bastantes problemas y bastantes errores en el resultado
La especialización mediante subagentes reduce errores significativamente. Cuando cada subagente se enfoca en una tarea específica, realiza mejor trabajo. El resultado final es más preciso y de mayor calidad.
Este enfoque es más eficiente que pedir a un único agente que maneje todas las tareas a la vez. La división del trabajo permite que cada componente se perfeccione.
Conceptos clave
- Los subagentes se despliegan para cumplir tareas específicas
- Todos convergen en un objetivo final común
- La especialización reduce errores en el resultado
- Este sistema es más potente que usar un único agente
- Permite crear materiales educativos complejos de forma más eficiente
Relevancia de las Skills en Educación
El problema de los agentes sin método especializado
Porque un agente sin un método especializado puede improvisar, puede producir una cápsula atractiva, pero con objetivos poco claros
Sin una guía clara, un agente puede crear materiales que se ven bien pero carecen de propósito educativo real. Los problemas que surgen incluyen:
- Actividades sin progresión didáctica clara
- Recursos con errores técnicos o botones defectuosos
- Barreras de accesibilidad que excluyen a estudiantes
- Contenido atractivo pero sin objetivos de aprendizaje definidos
Las skills como solución educativa
Una skill, en cambio, permite convertir nuestros criterios profesionales en un procedimiento mucho más explícito
Las skills transforman cómo los agentes crean materiales educativos. En lugar de dejar que improvisen, las skills establecen pasos claros que el agente debe seguir.
Secuencia explícita de trabajo
Podríamos exigir una secuencia: analiza el contenido, formula los objetivos, realiza el proceso de transposición didáctica, organiza la secuencia
Una skill educativa puede especificar cada fase del proceso:
- Analizar el contenido – comprender qué se enseña
- Formular los objetivos de aprendizaje – definir qué deben lograr los estudiantes
- Realizar la transposición didáctica – convertir el contenido en enseñanza efectiva
- Organizar la secuencia – establecer el orden de las actividades
- Diseñar las interacciones – crear formas en que los estudiantes participan
Ventaja sobre los prompts tradicionales
Los prompts funcionan bien al principio, pero tienen una limitación importante. Cuando los agentes trabajan en tareas largas, van perdiendo contexto y olvidan las instrucciones específicas dadas al inicio.
Las skills resuelven este problema. Cada vez que el agente ejecuta una instrucción, revisa la skill nuevamente. Esto mantiene las directrices claras durante todo el proceso, sin importar cuánto tiempo toma la tarea.
Resumen de conceptos clave
- Los agentes sin método especializado producen materiales con objetivos poco claros
- Las skills convierten criterios profesionales en procedimientos explícitos
- Permiten establecer secuencias didácticas completas y coherentes
- Mantienen las instrucciones presentes durante todo el proceso de trabajo
- Son más efectivas que los prompts para tareas educativas complejas
Herramientas de los Agentes: Computer Use e Integraciones
Tipos de herramientas disponibles
Un agente dispone de varias tipos de herramientas para realizar su trabajo:
Un agente puede disponer de buscadores, archivos, navegadores, conectores y en algunos casos también acceso para operar directamente un computador
Estas herramientas incluyen:
- Buscadores – para encontrar información en la web
- Archivos – para acceder y gestionar documentos
- Navegadores – para interactuar con páginas web
- Conectores – para enlazar con otros sistemas y plataformas
- Computer Use – para operar directamente el computador
Computer Use: capacidad de operar el computador
La capacidad más avanzada es el «computer use» o uso del computador. Esta herramienta permite que el agente realice tareas que antes solo podía describir.
Computer use o uso del computador: hoy la guía es capaz de tomar tu computador y tú le das los accesos correspondientes y te ejecuta cualquier tarea
Anteriormente, la inteligencia artificial solo podía indicar dónde hacer clic. Ahora puede hacer clic por sí misma. Esto significa que el agente puede:
- Hacer clic en botones
- Rellenar formularios
- Navegar por interfaces
- Ejecutar tareas que un humano realizaría manualmente
Integraciones directas vs interfaces visuales
Existen dos formas en que un agente puede interactuar con un sistema:
Conexiones directas
Cuando existe una conexión directa entre sistemas, suele ser bastante estable utilizarla
Las integraciones directas son más confiables. Conectan el agente directamente a la plataforma sin depender de la interfaz visual. Son estables y consistentes.
Navegación visual
Cuando no existe una integración directa, el agente debe navegar por la interfaz visual. Sin embargo, esta opción es más frágil. Los problemas incluyen:
- Los botones pueden cambiar de lugar
- Pueden aparecer ventanas inesperadas
- Las páginas cargan lentamente
- El agente puede confundir una opción con otra
Resumen de conceptos clave
- Los agentes usan múltiples herramientas: buscadores, archivos, navegadores y conectores
- El computer use permite al agente operar directamente el computador
- Las integraciones directas son más estables que la navegación visual
- La navegación por interfaz visual es más frágil y propensa a errores
- Elegir la herramienta correcta depende de la disponibilidad de conexiones directas
Riesgos y Errores de los Agentes de IA
Errores persistentes en los agentes
Los agentes de inteligencia artificial aún cometen errores. No se sabe si algún día los superarán completamente, pero por ahora siguen siendo impredecibles. Por eso es importante no verlos como trabajadores perfectos. Necesitan supervisión y evaluación constante.
Errores en búsqueda y navegación
Que un agente pueda navegar no significa que sepa investigar. Puede encontrar información desactualizada, publicidad presentada como evidencia o referencias inexistentes
Cuando un agente busca información en línea, puede encontrar:
- Información desactualizada o antigua
- Publicidad presentada como si fuera evidencia
- Referencias que no existen realmente
- Contenido falso o engañoso
Estos errores se llaman tradicionalmente «alucinaciones». En contextos académicos, es crucial establecer instrucciones claras sobre:
- Qué fuentes se aceptan
- Cómo se evalúan las fuentes
- Cómo se registra la información
- Qué información requiere verificación antes de usarse
Prompt Injection: un riesgo de seguridad
Existe además un riesgo de seguridad llamado inyección de instrucciones o prompt. Una página web puede contener instrucciones ocultas o también engañosas dirigidas a la gente
Cuando un agente navega por internet sin supervisión, enfrenta un riesgo especial. Las páginas web pueden contener instrucciones ocultas que el agente podría seguir sin que lo notemos. Esto podría llevar a que:
- Revele información privada
- Abra sitios web no autorizados
- Ejecute acciones nunca solicitadas
Importancia de limitar permisos
Mientras mayor sea la capacidad de actuar, mayores deben ser como los controles también
Este principio es fundamental: cuanto más poder tiene un agente para actuar, más controles se necesitan. Los permisos deben limitarse según el nivel de riesgo.
Conceptos clave
- Los agentes no son infalibles y cometen errores frecuentes
- Pueden encontrar información falsa, desactualizada o inexistente
- El prompt injection es un riesgo de seguridad importante
- Se requiere supervisión constante del trabajo del agente
- Los permisos deben limitarse según el riesgo de la tarea
- Las instrucciones deben especificar cómo verificar y evaluar fuentes
Protección de Datos y Consideraciones Éticas
Restricción de acceso a datos personales
En educación un agente no debería tener acceso a datos personales, por ejemplo, nombres de los estudiantes, calificaciones, menos el root, correos electrónicos de ellos
Los agentes de inteligencia artificial no deben acceder a información sensible de los estudiantes. Esto incluye:
- Nombres de estudiantes
- Calificaciones y notas
- Correos electrónicos
- Información de acceso (root)
- Cualquier dato que identifique al estudiante
Anonimización de información sensible
Si vamos a utilizar un agente en este tipo de tareas, debemos anonimizar toda esta información
Cuando se necesita que un agente trabaje con datos estudiantiles, es obligatorio remover toda información que identifique a las personas. Esto significa:
- Reemplazar nombres con códigos
- Usar números en lugar de identificadores personales
- Eliminar cualquier dato que pueda vincular la información con una persona específica
Prohibición de decisiones autónomas sobre trayectorias estudiantiles
Un agente nunca debe tomar decisiones que afecten el futuro académico de un estudiante. No puede:
- Determinar calificaciones finales
- Decidir si un estudiante aprueba o reprueba
- Tomar decisiones sobre promoción o retención
- Actuar sin supervisión humana en asuntos críticos
Supervisión en acciones de alto impacto
Mientras mayor sea la capacidad de actuar, mayores deben ser como los controles también. Un error en un párrafo puede corregirse. Uno que modifica un archivo, envía un correo o publica una calificación, puede afectar a otras personas
Las acciones que impactan a otros requieren protecciones especiales:
- Permisos limitados – el agente solo accede a lo necesario
- Confirmación antes de actuar – requiere aprobación humana para acciones sensibles
- Registro completo – se documenta todo lo que el agente realiza
- Supervisión humana – una persona revisa y valida el trabajo
Lineamientos éticos para docentes
El agente debe estar al servicio de una estrategia didáctica, en definitiva, no puede reemplazarla
Los docentes deben asegurar que:
- El agente sirve los objetivos educativos, no los reemplaza
- Las decisiones pedagógicas siguen siendo responsabilidad del docente
- La tecnología apoya el aprendizaje, no lo sustituye
- Se mantiene el control humano sobre asuntos estudiantiles importantes
Conceptos clave
- Los agentes no deben acceder a datos personales de estudiantes
- Toda información sensible debe anonimizarse antes de usarla
- Los agentes no pueden tomar decisiones que afecten trayectorias académicas
- Mayor poder de actuar requiere mayores controles y supervisión
- Los agentes deben estar subordinados a la estrategia didáctica del docente
Eficiencia vs Aprendizaje: La Advertencia Crítica
La eficiencia no equivale el aprendizaje
Esta es la advertencia más importante al usar agentes de IA en educación. Aunque estos sistemas pueden mejorar el desempeño inmediato, no siempre generan aprendizajes duraderos.
El hallazgo de la OCD
La Organización para la Cooperación y el Desarrollo Económicos (OCD) advierte en su informe Digital Education Outlook 2026 que:
La inteligencia artificial generativa puede mejorar el desempeño inmediato sin producir aprendizajes duraderos, especialmente cuando se utiliza sin orientación pedagógica
Estudio con estudiantes de matemáticas
Un estudio publicado en 2025 en la revista NAS trabajó con cerca de 1000 estudiantes de enseñanza secundaria en matemáticas. Los resultados fueron reveladores:
Grupo con GPT general:
- Mejoraron su rendimiento en un 48% durante la práctica
- Sin embargo, cuando se retiró la IA y se aplicó una evaluación individual, obtuvieron resultados 17% inferiores al grupo de control
Grupo con tutor guiado:
- Mejoraron su rendimiento en un 120% durante la práctica
- Al retirarse la IA, alcanzaron resultados similares al grupo de control
- Evitaron el deterioro, pero no convirtieron la ventaja observada en una ventaja posterior
La diferencia clave
La diferencia está en cómo se diseña la herramienta:
- Respuestas directas – mejoran el desempeño inmediato, pero el estudiante no aprende realmente
- Pistas y guía – el estudiante construye su propio conocimiento y retiene lo aprendido
Implicación para la educación
Las ventajas observadas durante el uso de IA no se convierten automáticamente en aprendizaje duradero. El agente debe estar diseñado con una estrategia pedagógica clara que promueva el pensamiento activo del estudiante, no solo la eficiencia inmediata.
Conceptos clave
- La eficiencia inmediata no garantiza aprendizaje duradero
- Los agentes sin orientación pedagógica pueden mejorar el desempeño pero no el aprendizaje
- El diseño del agente importa: guiar es más efectivo que resolver directamente
- El aprendizaje se evalúa después de que se retira la herramienta
- La pedagogía debe estar al centro del diseño de cualquier agente educativo
Cinco Principios para Usar Agentes en Educación
Antes de que los agentes de IA se generalicen en las escuelas, es útil tener en cuenta algunos principios clave. Estos principios ayudan a asegurar que la tecnología sirva a los objetivos educativos reales.
Principio 1: Automatizar lo repetitivo, preservar lo formativo
Primero, automatizar lo repetitivo, pero preservar lo formativo
Los agentes deben encargarse de tareas rutinarias. Pero no deben reemplazar el trabajo que enseña. Si el objetivo es que los estudiantes formulen un problema de investigación, el agente no debería hacer la problematización por ellos. Si el objetivo es argumentar, el agente no debería escribir el texto completo desde el inicio.
El esfuerzo cognitivo no es un obstáculo que debe eliminarse. Es precisamente el aprendizaje.
Principio 2: Mantener fricción cognitiva intencional
En segundo lugar, mantener una fricción cognitiva intencional. La experiencia más rápida no siempre es la que más se enseña
La velocidad no es lo más importante en educación. A veces, el camino más lento es el que genera más aprendizaje. Los agentes no deben hacer todo instantáneamente. Deben dejar espacio para que los estudiantes piensen, reflexionen y construyan su propio conocimiento.
Principio 3: Asignar función delimitada y evaluable
Cada agente debe tener una tarea clara y específica. No debería hacer de todo. Esto hace que sea:
- Más fácil de supervisar
- Más seguro de usar
- Más simple de evaluar
- Menos propenso a errores
Principio 4: Conceder solo permisos necesarios
En cuarto lugar, conceder solamente los permisos necesarios para realizar esa función
Un agente solo debe acceder a lo que necesita para su tarea. Si una función no requiere acceso a calificaciones, el agente no debería poder verlas. Esto reduce riesgos y protege los datos.
Principio 5: Mantener revisión humana en evaluación y decisiones de alto impacto
Mantener una revisión humana en términos de evaluación, por ejemplo, retroalimentación, orientación académica, cualquier decisión de alto impacto
Las personas deben revisar el trabajo del agente en áreas importantes. Esto incluye:
- Evaluación y calificación
- Retroalimentación a estudiantes
- Orientación académica
- Cualquier decisión que afecte el futuro del estudiante
Resumen
Estos cinco principios crean un marco equilibrado. Permiten usar agentes para mejorar la eficiencia sin sacrificar el aprendizaje real ni poner en riesgo a los estudiantes.
De Solicitar Productos a Delegar Procesos
Un cambio fundamental en el uso de la inteligencia artificial
Los agentes permiten pasar de solicitar productos entonces aislados a delegar partes de un proceso
La diferencia entre chatbots y agentes de IA marca un cambio importante en educación. Los chatbots responden preguntas y entregan respuestas aisladas. Los agentes, en cambio, pueden ejecutar tareas complejas y operar aplicaciones.
Esta capacidad permite delegar procesos completos, no solo obtener productos puntuales. Un agente puede trabajar en múltiples pasos, interactuar con herramientas y mantener objetivos a lo largo del tiempo.
Capacidad de operar y manipular aplicaciones
Los agentes no solo conversan. Pueden:
- Abrir y usar aplicaciones en la computadora
- Manipular archivos y documentos
- Interactuar con sistemas educativos
- Ejecutar tareas que requieren varios pasos
Esta capacidad amplía las posibilidades en educación, pero también requiere mayor cuidado en el diseño.
El valor educativo depende de decisiones didácticas
Su valor educativo no dependerá únicamente de la potencia de estos modelos, dependerá de las decisiones también didácticas que incorporamos
La potencia de un modelo de IA no garantiza mejor educación. Lo que realmente importa es cómo se diseña el agente para servir objetivos pedagógicos claros.
Un agente poderoso mal diseñado puede:
- Mejorar la eficiencia sin generar aprendizaje real
- Reemplazar el esfuerzo cognitivo necesario para aprender
- Automatizar lo que debería ser formativo
La didáctica se vuelve más necesaria, no menos
Los agentes no vuelven menos necesaria la didáctica, la vuelven más necesaria aún
Contrario a lo que podría pensarse, los agentes no reducen la importancia de la pedagogía. La aumentan. Los docentes deben ser más precisos en:
- Definir con exactitud qué deben aprender los estudiantes
- Determinar qué esfuerzo cognitivo es necesario
- Decidir qué responsabilidades permanecen en manos humanas
Responsabilidad humana en decisiones críticas
Los agentes toman decisiones operativas, pero las decisiones educativas importantes siguen siendo responsabilidad del docente. Esto incluye:
- Evaluación y calificación
- Retroalimentación pedagógica
- Orientación académica
- Cualquier decisión que afecte el futuro del estudiante
Conclusión
Los agentes permiten pasar de un modelo transaccional (solicitar respuestas) a uno procesual (delegar tareas). Pero esta capacidad requiere más rigor pedagógico, no menos. La didáctica es el elemento que convierte la potencia tecnológica en aprendizaje real.
El Verdadero Desafío: Diseño Inteligente de Agentes
El desafío entonces no consiste en construir agentes que hagan todo. Consiste básicamente en diseñar agentes que sepan cuándo actuar, cuándo preguntar, cuándo ofrecer una pista y cuándo retirarse para que ocurra el aprendizaje
El desafío no es la potencia, es la inteligencia
Muchos piensan que el reto está en crear agentes cada vez más poderosos. Que hagan más cosas. Que resuelvan más problemas. Pero ese no es el verdadero desafío.
El verdadero desafío es diferente. Consiste en diseñar agentes que tomen decisiones pedagógicas inteligentes. Agentes que sepan exactamente cuándo intervenir y cuándo no.
Saber cuándo actuar
Un agente educativo necesita reconocer el momento exacto para ayudar. No puede estar siempre activo. Debe identificar cuándo su intervención es realmente necesaria y cuándo solo obstaculizaría el aprendizaje.
Saber cuándo preguntar
Hacer preguntas es más efectivo que dar respuestas. Un buen agente no simplemente resuelve el problema. Pregunta al estudiante qué ha intentado, qué sabe, hacia dónde va. Las preguntas guían sin reemplazar el pensamiento.
Saber cuándo ofrecer pistas
Las pistas son el equilibrio perfecto entre ayuda y autonomía. Ofrecen dirección sin quitar el esfuerzo cognitivo. Un agente inteligente reconoce cuándo una pista es suficiente para que el estudiante avance por sí solo.
Saber cuándo retirarse
Quizás la parte más importante: saber cuándo desaparecer. Saber cuándo el estudiante necesita estar solo con el problema. Saber cuándo el esfuerzo sin ayuda es lo que genera el aprendizaje real.
La conclusión
Los agentes más valiosos en educación no serán los más complejos. Serán los mejor diseñados. Los que entienden que su rol es facilitar el aprendizaje, no reemplazarlo. Los que saben cuándo actuar y, más importante aún, cuándo no.
Próximos Pasos y Comunidad Educativa
Una introducción al cambio educativo
Este video representa solo el comienzo de una conversación más amplia sobre agentes de IA en educación. Se presentan los conceptos fundamentales, pero hay mucho más por explorar en la práctica.
Videos prácticos próximos
En los próximos videos se compartirán ejemplos prácticos de cómo utilizar estos agentes
Se planea grabar ejemplos concretos que muestren cómo aplicar agentes de IA en contextos educativos reales. Estos videos demostrarán de forma práctica lo que se ha explicado en teoría.
Base de datos de skills educativas
Se está desarrollando una base de datos de skills educativas que servirá para crear material didáctico de mayor calidad. Esta herramienta permitirá a los docentes acceder a skills ya creadas y adaptarlas a sus necesidades.
Además, se compartirán skills personalizadas que ayuden a mejorar la calidad del material educativo que crean los docentes.
Invitación a compartir experiencias
¿Qué tarea educativa tú podrías delegar a estos agentes?
Se invita a los docentes a reflexionar sobre sus propias prácticas. Cada educador puede pensar en qué tareas rutinarias podrían automatizarse manteniendo el aprendizaje en el centro.
También se solicita que compartan cualquier experiencia que hayan tenido con agentes de IA. Estos comentarios ayudan a construir conocimiento colectivo sobre el uso pedagógico de estas herramientas.
Comunidad gratuita en WhatsApp
Se ha creado una comunidad gratuita en WhatsApp que ya cuenta con casi 1000 participantes. En este espacio se comparten:
- Experiencias prácticas con agentes de IA
- Materiales educativos
- Prompts útiles
- Skills educativas
La comunidad funciona como un espacio de intercambio donde docentes pueden aprender unos de otros. Se espera que pronto se compartan skills educativas interesantes que todos puedan usar para avanzar juntos.
Próximas etapas
El trabajo alrededor de agentes de IA en educación está en expansión. La comunidad seguirá creciendo y compartiendo recursos prácticos que ayuden a los docentes a implementar estas herramientas de forma pedagógicamente responsable.
El enlace de acceso a la comunidad se encuentra en la descripción del video.