Un experimento aleatorio con más de 6.000 estudiantes sugiere que el valor de la inteligencia artificial educativa no está en entregar respuestas rápidas, sino en ayudar a razonar, comprender los errores y recuperar el camino hacia una solución correcta.
Acceder a la inteligencia artificial no garantiza aprender
La inteligencia artificial educativa puede explicar conceptos, generar ejemplos y acompañar a miles de estudiantes simultáneamente. Sin embargo, estas capacidades no garantizan que los alumnos utilicen la tecnología para pensar, practicar y construir conocimiento.
Un estudiante también puede usarla para evitar el esfuerzo, conseguir una respuesta inmediata o avanzar sin comprender. Por eso, la pregunta más importante ya no es si la IA puede responder correctamente, sino cómo debe integrarse en una experiencia pedagógica que favorezca el aprendizaje.
Esta cuestión fue analizada por los investigadores Philip Oreopoulos, Michael Liut, Alp Sungu y Nina Low mediante un experimento con un tutor de IA integrado en una plataforma de práctica matemática.
Un experimento con más de 6.000 estudiantes
El estudio se desarrolló con más de 6.000 estudiantes de educación media en Hamilton County Schools. Los participantes utilizaron NUMI, una plataforma de práctica matemática que incorporaba actividades digitales y un asistente basado en inteligencia artificial.
Los estudiantes fueron asignados aleatoriamente a diferentes condiciones. Algunos podían utilizar el tutor de IA, mientras que otros trabajaban únicamente con las herramientas tradicionales de aprendizaje asistido por computador.
El experimento también comparó una modalidad de práctica convencional con otra basada en dominio, en la que los estudiantes debían alcanzar tres respuestas correctas consecutivas.
Una semana después de la actividad, los investigadores realizaron una evaluación para determinar si las diferencias observadas durante la práctica se mantenían en el tiempo.
Un tutor diseñado para no entregar la respuesta
El tutor de IA de NUMI fue diseñado con restricciones pedagógicas. Su función no era resolver automáticamente los ejercicios, sino acompañar al estudiante durante el proceso.
Entre sus posibles intervenciones estaban:
- Formular una pregunta que orientara el análisis.
- Presentar alternativas de razonamiento.
- Identificar el punto de confusión.
- Dividir la solución en pasos más comprensibles.
- Acompañar al estudiante después de una respuesta incorrecta.
- Verificar si realmente había comprendido el procedimiento.
Además, el sistema incluía una capa de control de calidad para reducir respuestas inadecuadas y evitar que la tecnología revelara directamente la solución.
El objetivo no era que la IA pensara por el estudiante, sino que ayudara al estudiante a pensar mejor.
La IA hizo que los estudiantes avanzaran más despacio
Uno de los resultados más interesantes fue que los estudiantes con acceso al tutor de IA progresaron más lentamente y completaron menos preguntas.
En el primer ejercicio, quienes utilizaron la IA respondieron aproximadamente una pregunta menos y dedicaron cerca de 1,64 minutos adicionales a la actividad. Cuando el tutor se combinó con la condición de aprendizaje por dominio, el número de preguntas completadas disminuyó todavía más.
A primera vista, avanzar más despacio podría interpretarse como un resultado negativo. Sin embargo, los estudiantes mostraron una mayor precisión en las preguntas que sí alcanzaron a responder.
El hallazgo plantea una tensión importante entre velocidad y calidad del aprendizaje. Completar más ejercicios no necesariamente significa comprender mejor. En algunos casos, detenerse, revisar y corregir puede tener mayor valor pedagógico que avanzar rápidamente.
El momento decisivo aparece después del error
La contribución más relevante del tutor de IA apareció después de una respuesta incorrecta.
Entre los estudiantes que trabajaban bajo la modalidad de dominio, la asistencia de IA aumentó en 8,5 puntos porcentuales la probabilidad de acertar en el siguiente intento. También redujo en 0,96 el número de intentos necesarios para llegar a una respuesta correcta.
Al mismo tiempo, los estudiantes necesitaron aproximadamente 2,88 minutos adicionales para conseguir esa respuesta. Estos datos muestran que el error puede convertirse en un momento de aprendizaje cuando existe un acompañamiento adecuado. El sistema no aceleró la actividad, pero ayudó a que el estudiante interpretara mejor su equivocación, reorganizara su razonamiento y recuperara el camino hacia la solución.
La lentitud, en este contexto, no representa necesariamente ineficiencia. Puede ser una forma de fricción productiva.
Alcanzar tres respuestas correctas no asegura comprender
La modalidad de aprendizaje por dominio también produjo resultados importantes durante la práctica.
Los estudiantes sometidos a esta condición completaron 4,62 preguntas adicionales, obtuvieron 1,23 respuestas correctas más y aumentaron en 28,7 puntos porcentuales la probabilidad de alcanzar tres respuestas correctas consecutivas.
No obstante, estos logros durante la sesión no se tradujeron por sí solos en mejoras claras una semana después.
Este resultado recuerda que el desempeño inmediato y el aprendizaje duradero no son equivalentes. Un estudiante puede cumplir una meta dentro de la plataforma sin haber desarrollado todavía una comprensión suficientemente estable para recordar o transferir el conocimiento.
La estructura convierte la ayuda en aprendizaje
Los resultados más favorables aparecieron cuando el tutor de IA se combinó con una estructura pedagógica basada en dominio.
Una semana después, los estudiantes de esta condición respondieron correctamente el 40,2 % de las preguntas relacionadas con el primer ejercicio practicado, frente al 37 % del grupo que utilizó únicamente aprendizaje asistido por computador.
La diferencia fue de 3,1 puntos porcentuales. Es un resultado modesto y estadísticamente impreciso, por lo que debe interpretarse como una señal prometedora y no como una conclusión definitiva.
Aun así, el hallazgo sugiere que la IA educativa puede resultar más útil cuando forma parte de un diseño que establece objetivos, organiza la práctica y determina en qué momento debe intervenir el sistema.
La fricción también puede tener valor
En muchas plataformas digitales, el éxito se mide por la cantidad de actividades completadas, el tiempo de respuesta o la rapidez con la que el usuario avanza.
En educación, estos indicadores pueden ser insuficientes. Un tutor de IA que obliga al estudiante a detenerse, explicar o revisar puede parecer menos eficiente, aunque esté generando una experiencia más profunda.
La fricción productiva se encuentra entre dos extremos. En uno, la IA entrega inmediatamente la respuesta y elimina el esfuerzo intelectual. En el otro, ofrece tantas explicaciones que termina sobrecargando al estudiante.
El desafío consiste en intervenir selectivamente, especialmente cuando aparece un error, una duda persistente o un patrón de respuestas que revela falta de comprensión.
1. Diseñar la experiencia antes de elegir el modelo
La calidad del modelo de inteligencia artificial es importante, pero no sustituye el diseño pedagógico. Antes de seleccionar una tecnología, es necesario definir qué debe aprender el estudiante, qué tipo de ayuda recibirá y qué acciones estarán prohibidas para el sistema.
2. Evitar que la IA sustituya el razonamiento
Un buen tutor de IA no debe limitarse a revelar respuestas. Su propósito es formular preguntas, ofrecer pistas y ayudar a que el estudiante construya el procedimiento.
La meta no es terminar el ejercicio rápidamente, sino fortalecer el razonamiento necesario para resolver problemas similares en el futuro.
3. Convertir el error en un evento pedagógico
El error no debe tratarse únicamente como una respuesta que debe corregirse. Puede utilizarse para identificar confusiones, activar explicaciones específicas y orientar una nueva estrategia.
La evidencia de NUMI sugiere que este es precisamente uno de los momentos en los que la IA educativa puede aportar más valor.
4. Medir retención y transferencia
Las métricas de uso no son suficientes. También es necesario evaluar si el estudiante recuerda lo aprendido después de varios días y puede aplicar el conocimiento en situaciones diferentes.
La retención, la comprensión y la transferencia deben ocupar un lugar central en la evaluación de cualquier solución educativa basada en IA.
5. Administrar el tiempo de intervención
La IA puede mejorar el proceso, pero también aumentar el tiempo dedicado a cada actividad. Por eso, las instituciones deben definir cuándo conviene ofrecer una explicación extensa y cuándo basta con una pista breve. La personalización también implica determinar la intensidad y duración adecuadas del acompañamiento.
Resultados prometedores, pero todavía preliminares
Los resultados deben interpretarse con prudencia. La intervención fue corta, la evaluación posterior incluyó solamente cuatro preguntas y los hallazgos corresponden a una plataforma y un contexto educativo específicos.
Además, el documento es un NBER Working Paper, es decir, un trabajo de investigación que todavía no ha pasado por el proceso completo de revisión académica por pares. Estas limitaciones no eliminan el valor del experimento, pero impiden convertir sus resultados en una regla universal. Se necesitan investigaciones de mayor duración, con más asignaturas, contextos y tipos de estudiantes.
La promesa de la inteligencia artificial educativa no depende exclusivamente de la potencia de sus modelos. También depende de la plataforma, los objetivos pedagógicos, la participación de los docentes y la manera en que los estudiantes utilizan la herramienta.
El experimento con NUMI muestra que un tutor de IA puede resultar especialmente útil después del error, cuando ayuda a comprender la equivocación y a encontrar una nueva ruta hacia la respuesta correcta.
Su aporte puede no reflejarse en una mayor velocidad. Incluso puede generar pausas y desacelerar la práctica. Pero esa aparente demora puede representar una fricción productiva que favorece un aprendizaje más consciente.
La pregunta esencial no es cómo utilizar la IA para responder más rápido, sino cómo diseñarla para que estudiantes y docentes puedan pensar, aprender y enseñar mejor.
Fuente: Philip Oreopoulos, Michael Liut, Alp Sungu y Nina Low. Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment. NBER Working Paper 35621, agosto de 2026.
Edición: Equipo editorial de IMKGlobal, con apoyo de herramientas de inteligencia artificial.
¿Quiere conocer el diseño del experimento, sus resultados completos y las instrucciones utilizadas por el tutor NUMI? Descargar el estudio sobre tutores de IA y aprendizaje y profundice en la evidencia sobre cómo convertir la inteligencia artificial en un apoyo verdaderamente productivo para el aprendizaje.
👉 Mira el catálogo de soluciones y mentoría AQUI
Soluciones digitales completas
Julian Andrés Castiblanco Herrera
🟢 CEO – Chief Executive Officer
ImkGlobal – Ingenieros de Marketing
✉ ceo@imk.global
📞 CO: +57 300 639 8181
Camilo Fernando Castiblanco
Dirección de Crecimiento para Proyectos Industriales /
Dirección de Ecosistemas de Innovación
growth@imk.global
Colombia+ 57 313 387 3446
United States: + 1 (689) 236 9820
www.imk.global
Visita nuestro Portal de https://experienciasimk.com/ia/
