Imagina que en tu centro instaláis un asistente de IA que revisa los trabajos del alumnado y les señala, con buen criterio, qué pueden mejorar. Está a un clic, es gratis y es opcional. Durante un semestre pasaron por delante de ese botón 15.548 borradores. Se pulsó 32 veces. Y lo interesante es que los comentarios eran buenos: eso no era el problema. En una universidad de Madrid, unos profesores le dieron a la IA todo el temario para que corrigiera mejor los exámenes y corrigió peor que sin nada; lo que funcionó fue un párrafo escrito por ellos. En una simulación que acompañó al mismo estudiante 30 días, la IA no le cantó ni una respuesta y más de la mitad de las veces no le enseñó nada. Y en las aulas donde ya hay una IA avisando al profesor de quién se está atascando, ese aviso a veces le hace ver lo que se le escapaba y a veces le rompe la atención que ya estaba poniendo.
Este mes, cuatro trabajos que, leídos juntos, cuentan la misma historia desde cuatro sitios distintos: lo que decide si la IA enseña algo no es lo lista que sea, sino cómo está montado el proceso que la rodea.
Lo que hemos leído este mes
1. 32 de 15.548: el botón que nadie pulsó
Alsaiari, Baghaei, Lodge, Winstone, Gašević & Khosravi — Universidad de Queensland, Universidad de Surrey y Universidad de Hong Kong (2026)
Abrimos con este trabajo porque jubila la pregunta que llevamos tres años haciéndonos. Toda la conversación sobre corrección automática ha girado alrededor de la misma duda: ¿escribe la IA una devolución tan buena como la de un docente? Estos investigadores la dan por respondida y pasan a la que de verdad importa: una vez escrito el comentario, ¿alguien hace algo con él?
El montaje es fácil de contar. En una plataforma universitaria donde los alumnos preparan materiales de estudio para sus compañeros, probaron tres formas de entregarles el mismo comentario de la IA, cada una durante un semestre y con miles de estudiantes. Al primer grupo se le daba el comentario para leer, y a otra cosa. Al segundo no se le daba nada, pero tenía un asistente disponible por si quería preguntar. Y al tercero se le daba el comentario y, antes de dejarle seguir, el sistema le pedía marcar cuáles de las sugerencias pensaba atender.
Los resultados dibujan tres mundos. Cuando el sistema obligaba a elegir y decidir, uno de cada cuatro trabajos acabó mejorado a partir de lo que la IA había dicho. Cuando el comentario llegaba sin más, uno de cada siete: lo habitual era leerlo y pasar directamente a entregar. Y cuando la ayuda estaba ahí pero había que pedirla, casi nadie la pidió: 32 borradores de 15.548.
Dos cosas conviene subrayar. Quienes usaron la ayuda voluntaria eran, previsiblemente, los que ya sabían qué preguntar — los que menos la necesitaban. Y la que da la lección: la IA era exactamente la misma en el grupo donde nadie la usó y en el que llegó a uno de cada siete. La calidad del comentario no cambió. Cambió el camino que llevaba hasta él.
Traducido a un centro: instalar un asistente de IA y confiar en que lo use quien lo necesite equivale, más o menos, a no instalarlo. Lo que mueve la aguja no es la herramienta, sino el momento en que alguien decide que el alumno tiene que pararse a mirarla. Eso sí: los tres grupos eran promociones distintas, no alumnos repartidos al azar, así que el estudio señala con fuerza en una dirección más que cerrarla del todo.
«El valor educativo de los comentarios generados por IA parece depender de cómo se acompaña a los estudiantes para usarlos, no simplemente de si esos comentarios se proporcionan o no.» — Alsaiari et al., 2026
2. Un párrafo del profesor vale más que todo el temario
Cisneros-González, Gordo-Herrera, Barcia-Santos, Cerezo & Sánchez-Soriano — Universidad Francisco de Vitoria, Madrid (2026)
El primer trabajo va de lo que la IA le da al alumno. Este segundo va de algo que a muchos docentes les interesa más: de lo que la IA puede quitarles de encima. Concretamente, corregir. Y su conclusión es la más tranquilizadora del número, porque lo que hace que funcione no es un modelo más potente: es el criterio del profesor, colocado en el sitio exacto. Es además el único de los cuatro firmado en España y publicado en una revista del grupo Nature.
Nace de un problema de aula. Estos profesores de una universidad madrileña llevaban tiempo usando IA para corregir preguntas abiertas, y con las notas funcionaba razonablemente bien. El problema era otro: los comentarios que la IA escribía a los alumnos mencionaban conceptos que aún no se habían dado en clase, así que los profesores tenían que reescribirlos antes de entregarlos y el tiempo ahorrado se evaporaba.
Su primera idea fue la que tendría cualquiera: si la IA se sale del temario, démosle el temario. Y de ahí salió el experimento. Cogieron 3.011 respuestas de examen reales —79 alumnos, 50 preguntas, en español— y las corrigieron tres veces cambiando una sola cosa. En la primera vuelta, la IA corregía a secas. En la segunda, con todos los apuntes del tema delante. En la tercera, con una respuesta ideal breve escrita antes por el profesor: unas líneas explicando qué debía contener una buena respuesta. Para saber cuál acertaba más, compararon las tres con la nota de dos profesores que corrigieron por separado y a ciegas.
Darle todos los apuntes fue peor que no darle nada: se equivocó más, se alejó más de la nota de los profesores y costó 4,4 veces más. La versión con el párrafo del profesor ganó en todo a la vez, y a un coste casi idéntico al de no dar nada. Lo desproporcionado es la diferencia de esfuerzo: los apuntes eran decenas de páginas por respuesta corregida; la respuesta ideal se escribe en dos minutos y sirve para toda la clase.
El segundo hallazgo resolvió el problema original. Revisaron 27.099 comentarios y contaron cuántos se salían del programa: sin contexto, más de uno de cada cinco; con la respuesta ideal, uno de cada seis. Y la explicación que dan es la mejor frase del número: los apuntes completos le dicen a la IA de qué hablar, pero le estorban para juzgar si el alumno ha respondido a esta pregunta.
Y aquí está lo que más nos importa: cómo queda el reparto de papeles. La IA no sustituye al profesor en ningún punto — hace el trabajo pesado siguiendo un criterio que él ha escrito, y encima devuelve un aviso: como corrigen varias IA a la vez, si todas coinciden en la nota la corrección sale sola, y si discrepan, esa respuesta queda marcada para que la mire una persona. El docente deja de revisarlo todo y se concentra en los casos dudosos, que es donde su criterio vale de verdad. Los autores marcan sus límites con elegancia: la mejora es modesta y, como la respuesta ideal la escribe quien pone la nota, parte de lo que mejora es que la IA aprende a evaluar como ese profesor — en un aula, justo lo que quieres; como ley universal, no.
«Los docentes actúan como evaluadores específicos dentro de un flujo de triaje, y no como validadores de propósito general de lo que produce la máquina.» — Cisneros-González et al., 2026
3. Un mes con el mismo alumno: ni una respuesta cantada, ni nada aprendido
Lee, Lee, Jeong, Lee, Shin & Kwon — Korea University, Indiana University y Gyeonggi Institute of Education (2026)
Los dos trabajos anteriores miran instantes: un comentario que se lee, un examen que se corrige. Pero aprender no pasa en un instante. Este tercero se pregunta qué ocurre si dejamos a un tutor de IA acompañando al mismo alumno un mes entero — y la respuesta obliga a cambiar lo que estamos vigilando.
El obstáculo práctico era evidente: no se puede pedir a cientos de niños que estudien con un tutor de IA un mes solo para ver qué pasa. Así que los investigadores fabricaron alumnos de mentira, pero realistas. Cada uno arranca con el historial real de un niño que sí existió —qué preguntas de matemáticas acertó y cuáles falló— y a partir de ahí aprende y olvida como lo haría ese niño. Le añadieron once personalidades que cualquier docente reconoce: el que se atasca en silencio, el que entra en espiral de frustración, el que se desengancha. En total, 55 tipos de alumno, cada uno estudiando 30 días seguidos con distintos tutores de IA.
Y aquí llega el dato del mes. Al repasar miles de esas historias de treinta días, clasificaron en qué fallaban los tutores. Cantar la respuesta al alumno —el riesgo que ocupa todas las políticas de uso, todos los filtros y todas las conversaciones de claustro— no ocurrió prácticamente nunca. Dejar al alumno colgado sin contestarle, en algo más de uno de cada diez casos. Pero ir dando tumbos de un tema a otro sin construir ninguna secuencia con sentido pasó en casi la mitad. Y no conseguir que el alumno aprendiera nada, en más de la mitad. Llevamos años vigilando una puerta por la que casi nadie entra mientras el edificio se cae por otro lado.
Los otros dos hallazgos apuntan al mismo sitio. Probaron diez maneras de montar el tutor sobre tres IA distintas, y ninguna combinación ganó dos veces: la que iba mejor con una se caía con otra. La calidad de la tutoría no está en la IA que eliges ni en cómo montas el tutor, sino en el ajuste entre las dos cosas. Y todos, sin excepción, se estancaban entre el quinto y el décimo día: daban un empujón inicial y luego acompañaban al alumno tres semanas sin hacerlo avanzar. Un detalle que lo dice todo: el sistema les ofrecía un botón para ajustar la dificultad según cómo fuera el alumno, y ninguno de los diez lo tocó jamás.
Hay que decir que estos alumnos, por realistas que sean, no son niños de verdad, y el trabajo aún no ha pasado la revisión de otros investigadores. Pero deja una advertencia útil para cualquiera que vaya a comprar una herramienta: para decidir si los tutores lo hacían bien, los investigadores usaron otras IA como jueces, y esas IA acertaban mucho al detectar si el tutor había cantado la respuesta y bastante poco al valorar si lo que hizo era buena pedagogía. El mismo sesgo que los tutores juzgados: se acierta en lo fácil de medir.
«Revelar la respuesta está esencialmente ausente, en torno al 0%, de modo que la fuga de información no es el fallo que de verdad opera.» — Lee et al., 2026
4. Más alertas no es más atención
Hansol Lee — Korea National University of Education (2026)
Hasta aquí, laboratorio: una plataforma universitaria, un examen de grado, alumnos simulados. Cerramos bajando al aula — y conviene aclarar primero de qué herramientas hablamos, porque son las más extendidas y las que menos aparecen en la conversación. No son tutores que charlan con el alumno: son sistemas de IA que vigilan lo que el alumnado hace en la plataforma —qué ejercicio falla, cuánto tarda, si ha dejado de intentarlo, si el grupo se ha quedado callado— y se lo trasladan al profesor mientras la clase está en marcha, como panel o como aviso directo: «esta alumna lleva tres intentos fallidos», «este grupo ha dejado de discutir». La idea es darle ojos en los treinta sitios donde no puede mirar a la vez.
Y el primer hallazgo es que no siempre ayudan. En varios de los estudios revisados, esas alertas permitieron al profesor detectar dificultades que se le habrían escapado, y el alumnado mejoró. En otros hicieron lo contrario: lo distrajeron, o le rompieron su propia observación del aula. Más señales no producen más atención.
El segundo hallazgo es todavía más terrenal. Aunque el sistema señalara perfectamente qué grupo necesitaba ayuda, muchas veces no pasaba nada — porque el profesor no podía llegar hasta ese grupo. Estaba con otro, la clase iba por otro sitio, o simplemente no daba tiempo. Detectar no es intervenir. El tiempo, la atención y las piernas de una persona siguen siendo finitos, y ninguna alerta los multiplica.
Y el tercero va contra lo que casi todos damos por supuesto: más apoyo del profesor no siempre es mejor. Uno de los estudios distingue el momento en que el alumno se atasca del momento en que el profesor debería intervenir, y sostiene que el hueco entre los dos es justamente lo que le da la oportunidad de resolverlo por su cuenta. En otro, el pensamiento independiente y la resolución de problemas se desarrollaban más en las condiciones sin apoyo del profesor. Saber cuándo no ayudar también es oficio.
Estos tres hallazgos no salen de un experimento, y ahí está su fuerza: salen de leerse todo. Su autor rastreó seis bases de datos académicas, encontró 1.565 artículos sobre lo que hace un docente cuando la IA entra en su clase, descartó los que no eran investigación con alumnos reales o no eran de primaria y secundaria, y se quedó con 29, todos revisados por pares. Es el único trabajo de este número que mira aulas de escuela con profesores dentro, y esos paneles de alertas son el tipo de herramienta más estudiado de los 29. Su aportación es poner en orden lo que se contaba a trozos: el docente se fija en lo que la herramienta señala y en lo que ve él, decide si hace falta intervenir y cuándo, interviene, y encaja eso en una clase que sigue corriendo. Ninguno de esos pasos ocurre solo. Una alerta no es una intervención pedagógica: se convierte en una cuando alguien la interpreta.
El mapa de esos 29 estudios dice además algo que nos toca: la mitad son de Estados Unidos, dominan las matemáticas y las ciencias, y no hay ni uno en contexto hispanohablante. Y su conclusión práctica es la menos vistosa y la más difícil de ignorar: que la IA sirva en un aula depende de horas de clase, de cuántos alumnos hay por grupo, de si alguien apoya, y de tener un rato para mirar los datos y rediseñar la sesión. No de la versión del modelo.
«Las alertas, el feedback, las recomendaciones y la información analítica que proporciona la IA no constituyen por sí mismos una intervención pedagógica: adquieren significado educativo solo cuando el docente los interpreta, los juzga y los transforma en una intervención accionable, ajustada a sus estudiantes y a su contexto de aula.» — Hansol Lee, 2026
La gran idea del mes
Cuatro trabajos, cuatro objetos muy distintos: un botón que nadie pulsó, un corrector que empeoró cuando le dieron más información, un mes de tutoría que no enseñó nada y una revisión de veintinueve aulas reales. Y el mismo desplazamiento atravesándolos.
Durante tres años la pregunta del sector ha sido cuánto puede hacer el modelo, y cada versión nueva movía la conversación un poco más arriba. En estos cuatro trabajos esa pregunta ya no explica los resultados. Lo que los explica es cómo está montado el proceso alrededor del modelo. Si el camino obliga al alumno a pararse y decidir, el feedback se usa; si solo está disponible, no. Si lo que le das a la IA es preciso, corrige mejor; si es abundante, corrige peor. Y si el tutor sostiene una secuencia durante semanas, hay aprendizaje; si solo responde bien turno a turno, no hay ninguno en la mitad de los casos. Y en los tres casos, quien monta ese proceso es una persona.
Hay además un corolario incómodo, y es lo que estos cuatro trabajos aportan juntos y ninguno por separado: en los cuatro casos, lo que estábamos midiendo no era lo que estaba fallando. Medíamos la calidad del comentario, y nadie lo abría. Medíamos cuánto contexto le dábamos al modelo, cuando el problema era que le dábamos el contexto equivocado. Medíamos si la IA canta las respuestas, y eso no pasaba nunca mientras la mitad de las tutorías no enseñaban nada. La brecha no está entre lo que la IA puede hacer y lo que hace: está entre lo que es fácil medir y lo que de verdad determina si un alumno aprende.
Terminamos con algo que nos toca de cerca. Nuestro corrector de exámenes con IA pide una cosa antes de nada: que el docente suba el examen con sus respuestas ideales. No es un trámite ni un requisito técnico — es la pieza sobre la que se apoya todo lo demás, porque es lo que le dice a la IA qué se estaba evaluando y hasta dónde llega el temario. Leer el segundo trabajo de este número, donde ese mismo párrafo escrito por el profesor le gana a todos los apuntes del mundo, nos ha dado la alegría de comprobar que vamos por buen camino. Y esa es la premisa que atraviesa el número entero, no solo nuestro corrector: el docente no está al final del proceso validando lo que produce la máquina, está al principio decidiendo qué cuenta como una buena respuesta, y en el medio decidiendo dónde hace falta su criterio. La IA se ocupa de lo voluminoso y lo repetitivo. Quien pone el estándar sigue siendo quien conoce a sus alumnos.
La pregunta que te dejamos
Piensa en la última herramienta de IA que se ha incorporado a tu centro o a tu institución. ¿Cuánto de lo que hace depende de la herramienta y cuánto del proceso que alguien diseñó a su alrededor? Y si mañana empezara a fallar en silencio —sin dar respuestas indebidas, sin decir nada inapropiado, simplemente sin enseñar nada—, ¿qué señal de las que miras hoy te lo diría?
📍EduIA Pulse es la publicación mensual de BlinkLearning sobre investigación en IA y educación. Si te ha resultado útil, compártela con alguien de tu equipo.
🔗Fuentes
— Alsaiari, O., Baghaei, N., Lodge, J. M., Winstone, N., Gašević, D. & Khosravi, H. (2026). Making AI-Generated Feedback Matter: A Large-Scale Study of Feedback Workflows and Student Enactment. Preprint. arXiv:2608.11625
— Cisneros-González, J., Gordo-Herrera, N., Barcia-Santos, I., Cerezo, Y. & Sánchez-Soriano, J. (2026). Semantic anchoring with concise ideal answers outperforms unstructured full course materials as context for multi-LLM automated grading of open-ended questions. Scientific Reports. doi:10.1038/s41598-026-68220-3
— Lee, U., Lee, S., Jeong, Y., Lee, E., Shin, M. & Kwon, H. (2026). EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners. Preprint. arXiv:2608.03206
— Lee, H. (2026). Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects. Smart Learning Environments, 13, 35. doi:10.1186/s40561-026-00461-1
📌 EduIA Pulse es la publicación mensual de BlinkLearning sobre investigación en IA y educación.