IA en educación: la prueba que hay que exigirle a cualquier tutor artificial
Un experimento con mil estudiantes de secundaria encontró que quienes practicaron con un chatbot sin barreras sacaron un 17 % PEOR que quienes nunca lo tuvieron, en cuanto les retiraron la ayuda. Otro, en Harvard, midió mejoras de hasta 1,3 desviaciones estándar con un tutor diseñado por profesores. La diferencia no está en la IA: está en el diseño, y hay una forma concreta de comprobarlo.
Más de la mitad de los adolescentes estadounidenses —el 54 %— ha usado un chatbot para ayudarse con los deberes. La cifra es del informe del Pew Research Center publicado el 24 de febrero de 2026, con trabajo de campo entre el 25 de septiembre y el 9 de octubre de 2025 sobre 1.458 chavales de 13 a 17 años. Uno de cada diez hace con ayuda de un chatbot «todas o casi todas» sus tareas.
Es decir: la discusión sobre si conviene ya no va por delante del hecho. Ya está en las casas. Y la pregunta útil para un padre, un profesor o el propio estudiante no es si la IA ayuda a aprender —esa pregunta no tiene respuesta— sino qué prueba concreta hay que exigirle a una herramienta antes de fiarse de ella.
Resulta que esa prueba existe, es sencilla de entender y separa limpiamente los estudios que salieron bien de los que salieron mal.
La cifra que todo el mundo cita y casi nadie ha leído
Cualquier presentación de un tutor con IA acaba invocando a Benjamin Bloom y sus «dos sigmas»: la idea de que la tutoría individual produce una mejora de unas dos desviaciones estándar sobre la enseñanza convencional. El artículo existe, se titula «The 2 Sigma Problem» y se publicó en Educational Researcher, volumen 13, número 6, páginas 4 a 16, en 1984.
Ahora la parte incómoda, y va por delante porque forma parte del método: ese artículo está tras un muro de pago. Existe una copia escaneada colgada como lectura de curso en un servidor del MIT, pero son imágenes sin capa de texto. Al preparar esta pieza no pude leer el cuerpo del artículo en una fuente que pudiera ofrecerle a usted, de modo que aquí no va ninguna cita literal de Bloom, y el célebre resumen de que el alumno medio tutorizado supera al 98 % del grupo de control se le presenta como lo que la literatura cita universalmente, no como algo que este periódico haya verificado en el original.
Vale la pena detenerse en lo que eso significa. La cifra que sostiene medio discurso comercial del sector procede de un documento de hace cuatro décadas que el lector —el profesor, el padre— no puede abrir para comprobar en qué condiciones se midió. Cuando alguien la cite en una presentación, ya sabe usted qué preguntar.
Lo que sí se ha medido con grupo de control
La buena noticia es que hay evidencia reciente, abierta y con asignación aleatoria.
Un equipo de Harvard —Greg Kestin, Kelly Miller y colegas— publicó en 2025 en Scientific Reports un ensayo cruzado hecho en el otoño de 2023 en un curso de física introductoria. Los resultados: puntuación mediana posterior de 4,5 en el grupo que trabajó con el tutor de IA (142 estudiantes) frente a 3,5 en el aula de aprendizaje activo (174), partiendo de una línea base de 2,75. El tamaño del efecto va de 0,63 desviaciones estándar en la regresión lineal hasta un rango de 0,73 a 1,3 según la regresión cuantílica. Y lo hicieron en menos tiempo: mediana de 49 minutos frente a los 60 de la clase.
Antes de extrapolar, el contexto que el propio artículo declara: universitarios de Harvard, física, y —esto es lo decisivo— un tutor construido a propósito, con andamiaje diseñado por docentes y barreras explícitas para no entregar la solución completa. No es un chatbot genérico.
En otra escala y otro continente, el Banco Mundial documentó en una entrada de blog de sus investigadores, publicada el 9 de enero de 2025, un piloto de refuerzo de inglés fuera del horario lectivo en el estado de Edo, Nigeria, durante seis semanas entre junio y julio de 2024. Efecto medido: unas 0,3 desviaciones estándar, que sus autores equiparan a casi dos años de aprendizaje típico. Con una cautela que conviene heredar: es un blog de investigadores, no un documento de trabajo revisado, y no publica ni el número de alumnos ni la herramienta empleada.
Y lo que pasó cuando retiraron la ayuda
Aquí está el estudio que cambia la conversación. Hamsa Bastani, Osbert Bastani y su equipo publicaron en PNAS, en junio de 2025, un experimento con casi mil estudiantes de matemáticas de secundaria en un instituto de Turquía. Compararon dos herramientas construidas sobre el mismo modelo: una interfaz de conversación sin salvaguardas y un tutor con pistas y barreras pedagógicas diseñadas por profesores.
Mientras tenían acceso, ambos grupos mejoraron espectacularmente: un 48 % en las notas con la interfaz simple y un 127 % con el tutor con salvaguardas.
Cuando les quitaron el acceso y examinaron sin ayuda, el resultado, en palabras del propio artículo: los estudiantes «rinden peor que quienes nunca tuvieron acceso (una reducción del 17 % en las notas para GPT Base)». Con las salvaguardas del tutor diseñado, el daño se mitiga.
Léalo dos veces. El grupo que más había mejorado practicando con la herramienta acabó por debajo de quienes jamás la usaron cuando tuvo que resolver solo. Habían mejorado en producir respuestas correctas, no en saber matemáticas. Y la diferencia no la vio nadie hasta que se apagó la herramienta.
La variable no es la IA: es el diseño
Ponga los dos estudios uno al lado del otro y la conclusión se impone sola. El experimento de Harvard funcionó con un tutor que tenía barreras diseñadas por docentes. El de Turquía muestra que el mismo modelo de base ayuda o perjudica según lleve esas barreras o no.
Por eso «¿la IA mejora el aprendizaje?» es una pregunta mal formulada, y por eso los titulares que la responden con un sí o un no rotundos están, los dos, equivocados. La pregunta correcta es qué hace la herramienta cuando el alumno le pide la solución entera.
Por qué el error del modelo pesa más en clase
Hay un motivo técnico añadido para no delegar la comprobación. Un equipo de Apple publicó en octubre de 2024 GSM-Symbolic, un trabajo que somete a los modelos punteros a variaciones de problemas de matemáticas de nivel escolar. Su hallazgo: «añadir una sola cláusula que parece relevante para la pregunta provoca caídas de rendimiento significativas (de hasta el 65 %) en todos los modelos punteros». Cambiar únicamente los valores numéricos de un mismo enunciado también degrada el resultado.
Traducido al aula: los modelos fallan precisamente en las variaciones que un profesor introduce para comprobar si el alumno ha entendido o ha memorizado el procedimiento. Y fallan con la misma seguridad con la que aciertan, que es lo que hace el fallo peligroso para quien está aprendiendo y no tiene aún criterio para detectarlo.
La capacidad: tres preguntas antes de confiarle a alguien su aprendizaje
1. ¿Hay un estudio con grupo de control, y con quién se hizo? Sin grupo de comparación no hay medida, solo testimonios. Y el contexto no es un detalle: universitarios de Harvard en física, secundaria turca en matemáticas y refuerzo de inglés en Nigeria son tres mundos. Ninguno autoriza a generalizar a «cualquier niño con un chatbot».
2. ¿Se midió el aprendizaje CON la herramienta delante o SIN ella? Esta es la pregunta decisiva, y la que casi nunca aparece en los folletos. Un resultado medido mientras el alumno usa el tutor mide el rendimiento del conjunto alumno-más-herramienta. Lo que importa en un examen, en la universidad o en la vida es lo que queda cuando la herramienta no está.
3. ¿Qué hace cuando el alumno pide la solución completa? Si la da, está optimizando la tarea entregada, no el aprendizaje. Las barreras pedagógicas no son un adorno del producto: son, según la evidencia disponible, la diferencia entre ayudar y perjudicar.
El fondo, sin diluir
Casi todo esto se puede leer entero y gratis, que es lo que permite discutirlo:
- Kestin et al. (2025), el ensayo de Harvard en Scientific Reports, acceso abierto, con su metodología y sus límites declarados por los autores.
- Bastani et al. (2025) en PNAS, el estudio del efecto al retirar la herramienta.
- Mirzadeh et al. (2024), GSM-Symbolic, sobre la fragilidad ante variaciones triviales.
- Banco Mundial (2025), el piloto de Edo State.
- UNESCO (2023), la guía sobre IA generativa en educación y su recomendación de fijar en 13 años el límite de edad para el uso de estas herramientas en el aula.
- Pew Research Center (2026), para las cifras de uso real.
La excepción es Bloom, y por eso abría con él: el documento más citado de esta conversación es el único que usted no puede abrir.
La capacidad que se lleva de aquí: exigirle a cualquier herramienta educativa de IA la misma prueba que le exigiría a un método pedagógico —un estudio con grupo de control— y, sobre todo, comprobar si el aprendizaje se midió con la herramienta delante o sin ella. Esa segunda pregunta separa un tutor de una muleta, y es la que casi nadie hace.
Este artículo se ha elaborado con inteligencia artificial bajo supervisión editorial humana.
