China acaba de lanzar un plan nacional de IA en educación para cientos de millones de estudiantes. Al mismo tiempo, UNICEF confirma que ningún país del mundo tiene regulación sobre lo que las empresas EdTech hacen con los datos de esos mismos estudiantes. En una universidad de Lima, 418 alumnos cuentan que usan ChatGPT para casi todo, y que muchos lo ocultan a sus profesores. Y desde Australia, dos investigadores nos explican por qué la IA puede mejorar tus notas y destruir tu aprendizaje al mismo tiempo.
Este mes, cuatro estudios que dibujan el estado real de la IA en educación: la ambición, el riesgo, el aula, y la ciencia que lo explica todo.
1. El plan más ambicioso del mundo para la IA en educación
«Plan de Acción ‘IA + Educación'»
Ministerio de Educación, NDRC, Ministerio de Industria y TI, Ministerio de Ciencia y Tecnología, Oficina Nacional de Datos — China (abril 2026)
En abril de 2026, cinco ministerios chinos firmaron conjuntamente el Plan de Acción ‘IA + Educación’: un documento de política pública con horizonte 2030 que pretende integrar la inteligencia artificial en todos los niveles del sistema educativo del país más poblado del mundo. No es un experimento piloto ni una hoja de ruta aspiracional. Es legislación coordinada al más alto nivel, con medidas concretas para educación infantil, primaria, secundaria, formación profesional, universidad y educación de adultos.
El plan tiene dieciséis medidas estructuradas en cinco ejes. En el eje de aprendizaje, propone desarrollar ‘tutores inteligentes’ capaces de adaptar el itinerario formativo a las capacidades, características y gustos de cada estudiante, con especial atención a zonas rurales y a estudiantes con discapacidad. En el eje docente, apuesta por sistemas de IA que asistan al profesor en todas las fases: preparación de clase, análisis del progreso del alumno, corrección automática y retroalimentación personalizada. En el eje de gobernanza, plantea un ‘cerebro educativo inteligente’ que coordine la toma de decisiones a escala nacional mediante análisis de datos en tiempo real.
Hay dos aspectos del plan que merecen atención especial. El primero es el énfasis en seguridad: una sección entera está dedicada a construir ‘barreras de seguridad’ para la IA educativa, incluyendo mecanismos de auditoría de modelos, revisión de contenidos generados y sistemas de alerta ante fraude académico o suplantación de identidad. El segundo es la escala de inversión en infraestructura: el plan prevé una plataforma nacional de cómputo para IA educativa, bases de datos lingüísticas propias, y modelos de lenguaje específicos para educación desarrollados por el Estado. La pregunta que el plan no responde, y que los estudios del resto de este número plantean con urgencia, es si toda esa tecnología vendrá acompañada de evidencia pedagógica que demuestre que realmente funciona.
«Promover la tecnología inteligente con orientación al bien, cultivar las capacidades para prosperar en la era de la inteligencia.» — Plan de Acción IA + Educación, China, 2026.
2. Los datos de los estudiantes: el activo que nadie protege
«Data Governance for EdTech: Policy Recommendations»
UNICEF Innocenti – Global Office of Research and Foresight (septiembre 2025)
Mientras China despliega su plan y los gobiernos de todo el mundo lanzan iniciativas de IA educativa, UNICEF Innocenti publicó el informe más completo hasta la fecha sobre lo que sucede con los datos de los menores que utilizan herramientas EdTech. La conclusión central es incómoda: el mercado EdTech global valía 142.000 millones de dólares en 2023 y se espera que se cuadriplique en los próximos años, impulsado por la IA. Todo ese crecimiento está sustentado en los datos de niños y adolescentes. Y nadie lo regula de forma efectiva.
El informe recoge un dato que lo resume todo: una revisión de la OCDE encontró que ningún país había establecido regulación o contrato alguno sobre el acceso a los datos recogidos por proveedores comerciales dentro de las escuelas públicas. Ni uno. Tampoco existían directrices sobre algoritmos o sistemas de decisión automatizada usados en las aulas. No es un problema de falta de conciencia: es un problema de velocidad. La tecnología avanza más rápido que la capacidad institucional de regularla. Y en ese vacío, el análisis de Human Rights Watch sobre 163 productos EdTech utilizados por 49 gobiernos durante el COVID-19 encontró que la mayoría arriesgaba o directamente violaba la privacidad infantil.
El informe identifica riesgos concretos y poco discutidos: los algoritmos de aprendizaje automático pueden replicar sesgos presentes en sus datos de entrenamiento, perpetuando desventajas sociales. Algunos gobiernos comparten datos educativos con agencias de seguridad o inmigración. El procesamiento masivo de datos tiene un coste medioambiental real, en energía y agua, que raramente aparece en la conversación sobre EdTech. Y la promesa de personalización que justifica la recolección de datos descansa, en muchos casos, en modelos de negocio que monetizan esos datos con fines ajenos al aprendizaje. UNICEF propone diez recomendaciones concretas para gobiernos, empresas, reguladores y sociedad civil. La más urgente es también la más básica: poner los derechos de los menores en el centro del diseño, antes de escribir una línea de código.
«La ausencia de marcos legales y técnicos coordinados ha llevado a protecciones inconsistentes para los menores en distintas jurisdicciones. Sin una reforma urgente, el EdTech arriesga profundizar las desigualdades y exponer a los niños a daños.» — UNICEF Innocenti, 2025
3. Cómo usan los estudiantes la IA de verdad: 418 conversaciones sinceras
«ChatGPT at University: The Definitive Transition from Adoption to Quality of Student Interaction»
Deroncele-Acosta et al. — Universidad San Ignacio de Loyola, Lima, Perú (Education Sciences, marzo 2026)
El 75% de los 418 estudiantes universitarios entrevistados para este estudio usa ChatGPT de forma frecuente en su trabajo académico. Solo el 12% lo usa sin modificar el resultado. El 71% reformula el contenido antes de entregarlo. El 64% contrasta las respuestas con fuentes académicas. Hasta aquí, los datos cuantitativos. Lo más valioso de este estudio está en lo que los propios estudiantes cuentan cuando se les da espacio para hablar.
Los investigadores peruanos entrevistaron a 418 estudiantes de pregrado, máster y doctorado en Educación a través de entrevistas semiestructuradas, y analizaron el corpus con ATLAS.ti. El resultado es un mapa de diez dimensiones que estructuran cómo los estudiantes se relacionan realmente con la IA. La contribución más importante del estudio es conceptual: la propuesta de un continuum entre interacción de alta calidad — verificar, reformular, apropiarse del contenido, asumir la autoría — e interacción de baja calidad — delegar, aceptar sin más, ocultar el uso. Esta distinción desplaza el debate desde el ‘¿hay que prohibir la IA?’ hacia una pregunta mucho más útil: ¿qué tipo de interacción queremos cultivar?
El hallazgo más incómodo del estudio es el del ocultamiento. Muchos estudiantes reconocen no declarar que usaron ChatGPT porque temen la reacción de sus profesores. Esto no es solo un problema de integridad académica: es un síntoma de que las instituciones no han creado marcos claros ni seguros para integrar estas herramientas. Cuando las normas son ambiguas, los estudiantes desarrollan usos tácticos y encubiertos. Cuando las universidades establecen pautas claras y rediseñan la evaluación, emergen interacciones más transparentes y críticas. La calidad de la interacción con la IA, concluyen los autores, no es solo un comportamiento individual. Es un fenómeno ecológico, moldeado por la cultura institucional que lo rodea.
«La diferencia no está en si usas ChatGPT o no, sino en cómo interactúas con él. Si copias la respuesta, no aprendes mucho; pero si la cuestionas, verificas la información y mejoras lo que te da, entonces se convierte en una herramienta de aprendizaje.» — Estudiante S27, citado en Deroncele-Acosta et al., 2026
4. La evidencia que cambia el debate: la IA como partner cognitivo produce aprendizaje transformador
«Human-GenAI Pedagogical Partnerships and Transformative Learning: A Paradoxical Dual Cognitive Pathway Model»
Wang et al. — International Journal of Educational Technology in Higher Education (2025)
Llevamos más de un año oyendo que la descarga cognitiva es el gran peligro de la IA en educación. Este estudio viene a matizar ese relato con la evidencia empírica más robusta que hemos visto hasta la fecha sobre cómo los estudiantes aprenden con IA. Y la matización es sustancial.
Wang et al. diseñaron un estudio con 912 estudiantes universitarios de tres contextos culturales — China, Europa y Estados Unidos — usando modelado de ecuaciones estructurales, análisis comparativo cualitativo de conjuntos difusos, y entrevistas semiestructuradas con 45 estudiantes. El objeto de estudio era la relación entre lo que los autores llaman ‘partnership pedagógico con IA generativa’ — tratarla como colaborador intelectual, no como herramienta — y el aprendizaje transformador. El hallazgo central es contraintuitivo: ese partnership activa simultáneamente dos mecanismos cognitivos que la literatura suele presentar como opuestos. Por un lado, la vigilancia cognitiva: el estudiante evalúa críticamente lo que produce la IA, verifica, cuestiona, contrasta. Por otro, la descarga cognitiva: el estudiante delega tareas de bajo nivel para liberar capacidad mental. Ambos mecanismos, paradójicamente, contribuyen de forma positiva y significativa al aprendizaje transformador.
El hallazgo más importante — y el que más desafía el relato dominante — es que la descarga cognitiva no daña el aprendizaje profundo. Lo facilita, cuando supera cierto umbral. La relación entre descarga y aprendizaje transformador tiene forma de U: por encima de un cierto nivel de delegación estratégica, los recursos cognitivos liberados se reinvierten en reflexión de orden superior, en el cuestionamiento de supuestos, en la reconstrucción de perspectivas. Que es exactamente lo que define el aprendizaje transformador. Además, el estudio encontró algo igualmente contraintuitivo sobre la orientación hacia la eficiencia — el deseo de hacer las cosas rápido. Lejos de ser un obstáculo para el pensamiento crítico, actúa como amplificador: los estudiantes orientados a la eficiencia que trabajan en partnership con la IA verifican más críticamente sus outputs, no menos. ¿La razón? Un estudiante lo explica con claridad en las entrevistas: ser eficiente significa ser vigilante, porque los errores no detectados cuestan más tiempo del que ahorran.
Los resultados son consistentes en los tres contextos culturales, lo que refuerza la solidez de los mecanismos identificados. Hay matices regionales — los estudiantes europeos muestran los niveles más altos de vigilancia cognitiva, los chinos presentan el vínculo más fuerte entre descarga y transformación, y el efecto amplificador de la eficiencia es más pronunciado en el contexto estadounidense — pero la estructura del modelo es invariante. La implicación práctica es clara: el objetivo no es minimizar la descarga cognitiva. Es diseñar las condiciones en las que esa descarga sea estratégica, esté orientada al aprendizaje, y se produzca dentro de un marco de partnership genuino con la IA. Una IA que se usa como oráculo de respuestas inhibe ese proceso. Una IA que se trata como colaborador intelectual lo activa.
«Los hallazgos reconceptualizan la dinámica estudiante-IA de una competencia cognitiva de suma cero a una colaboración cognitiva sinérgica.» — Wang et al., 2025
La gran idea del mes
Cuatro estudios publicados en los últimos meses. Cuatro ángulos distintos que, leídos juntos, dibujan un panorama más matizado y más útil que el debate habitual sobre IA y educación.
China despliega la apuesta más ambiciosa del planeta, coordinada entre cinco ministerios. UNICEF confirma que los datos de los estudiantes que alimentan esa apuesta no tienen protección efectiva en ningún país del mundo. En Lima, 418 universitarios muestran que el problema no es si se usa la IA, sino cómo — y que la calidad de esa interacción depende más de la cultura institucional que del estudiante individual. Y Wang et al., con 912 estudiantes en tres continentes, aportan la evidencia empírica más sólida hasta la fecha: cuando el estudiante trata la IA como colaborador intelectual en lugar de oráculo de respuestas, la descarga cognitiva no inhibe el aprendizaje profundo — lo facilita. El debate no era IA sí o IA no. Era qué tipo de relación con la IA produce qué tipo de aprendizaje.
El hilo que conecta todo es uno: la diferencia entre una IA que educa y una IA que solo aparenta educar no está en la sofisticación del modelo. Está en las decisiones pedagógicas, éticas e institucionales que se toman antes de ponerla en manos de los estudiantes. La tecnología ya existe y ya funciona cuando se usa bien. Las decisiones siguen siendo humanas. Y en este momento, la mayoría de los sistemas educativos del mundo todavía no las han tomado.
En BlinkLearning seguimos trabajando desde esa premisa. Max, nuestro tutor de IA, no opera como un chatbot de propósito general: está diseñado a partir de criterios pedagógicos explícitos y actúa dentro del diseño de sesión que el docente ha definido previamente. El profesor sigue siendo el arquitecto del aprendizaje; Max es el andamiaje que permite personalizarlo a escala. Y para no quedarnos solo en las intenciones, hemos puesto en marcha un estudio de eficacia riguroso, apoyado por el IESE y la Universidad Autónoma de Madrid, para medir si Max realmente mejora los resultados de aprendizaje.
La pregunta que te dejamos
Las instituciones educativas en las que trabajas o con las que colaboras, ¿tienen una política clara sobre cómo se usa la IA? ¿Esa política está diseñada para prohibir, para ignorar, o para cultivar el tipo de interacción que realmente produce aprendizaje?
Nos encantaría leer tu experiencia en los comentarios. 👇
📌 EduIA Pulse es la publicación mensual de BlinkLearning sobre investigación en IA y educación.
🔗 Fuentes
— Ministerio de Educación et al. (2026). Plan de Acción ‘IA + Educación’. Gobierno de China (教科信〔2026〕1号).
— UNICEF Innocenti – Global Office of Research and Foresight (2025). Data Governance for EdTech: Policy Recommendations. Florencia.
— Deroncele-Acosta, A. et al. (2026). ChatGPT at University: The Definitive Transition from Adoption to Quality of Student Interaction. Education Sciences, 16, 515.
— Wang, S. et al. (2025). Human-GenAI Pedagogical Partnerships and Transformative Learning: A Paradoxical Dual Cognitive Pathway Model. International Journal of Educational Technology in Higher Education.