10 referencias de IA agéntica en educación que merece la pena leer

Cuando empecé a reunir bibliografía sobre IA agéntica en educación, cometí el error habitual: buscar únicamente trabajos que incluyeran literalmente las palabras agentic AI o agentes educativos. Después comprendí que el campo se construye también con investigaciones sobre tutores inteligentes, planificación, memoria, sistemas multiagente, competencias docentes y gobernanza.

Por eso esta lista no pretende ser un simple ranking académico. Es una selección personal de referencias que, por diferentes motivos, ayudan a pensar mejor qué pueden hacer los agentes en educación y, sobre todo, qué no deberíamos delegar en ellos.

1. Wang et al. (2024): el mapa técnico que necesitaba

Referencia: Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., et al. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18, 186345. https://doi.org/10.1007/s11704-024-40231-1

Este fue uno de esos artículos que, cuando apareció, no leí con toda la atención que merecía. En aquel momento me pareció otra revisión técnica sobre agentes basados en modelos de lenguaje. Sin embargo, después de volver a él, comprendí que ofrece algo fundamental: un vocabulario para no llamar “agente” a cualquier chatbot con una interfaz atractiva.

Wang y sus colaboradores organizan los componentes básicos de un agente: planificación, memoria, uso de herramientas, percepción, acción y reflexión. Cuando se traslada este esquema a la educación, la diferencia se vuelve evidente. Un sistema que responde a una pregunta no es necesariamente un agente; un sistema que descompone una tarea, consulta recursos, actúa y revisa el resultado sí se acerca mucho más a esa definición.

Hay aspectos que el artículo no puede resolver, especialmente los relacionados con la calidad pedagógica o la responsabilidad docente. Aun así, creo que sus virtudes superan claramente sus limitaciones. Sin este mapa técnico, buena parte de la conversación educativa sobre agentes se queda en metáforas.

Mi valoración: una lectura imprescindible para empezar, aunque no sea específicamente educativa.

Verificación: artículo publicado en Springer y asociado al DOI 10.1007/s11704-024-40231-1.[link.springer][scirp]

2. Guo et al. (2024): cuando un agente ya no trabaja solo

Referencia: Guo, T., Chen, X., Wang, Y., Chang, R., Pei, S., Chawla, N. V., et al. (2024). Large language model based multi-agents: A survey of progress and challenges. Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence. https://doi.org/10.24963/ijcai.2024/890

Al principio, los sistemas multiagente me parecían una solución excesivamente sofisticada para la educación. Pensaba que, en la mayoría de los casos, bastaría con un buen asistente conversacional. Con el tiempo he cambiado parcialmente de opinión.

En una actividad universitaria compleja, podríamos imaginar un agente que ayuda a formular preguntas, otro que busca evidencias, otro que revisa la calidad de las fuentes y otro que plantea objeciones. Esta distribución de funciones puede ser pedagógicamente interesante porque hace visibles las distintas operaciones intelectuales que normalmente quedan ocultas.

Pero aquí aparece también el problema. Si un agente se equivoca, los demás pueden aceptar su respuesta y amplificar el error. La colaboración entre agentes no produce automáticamente mejores resultados; a veces produce errores mejor organizados.

El artículo no ofrece una solución educativa definitiva, pero sí ayuda a pensar en arquitecturas de aprendizaje más complejas que la simple relación estudiante-chatbot.

Mi valoración: muy útil para diseñar escenarios futuros, pero conviene leerlo con una actitud experimental y no como una guía pedagógica cerrada.

Verificación: referencia localizada en el repositorio de IJCAI y asociada a un DOI de las actas de la conferencia.[repository.kaust.edu]

3. Xu (2024): el problema de planificar

Referencia: Xu, B. (2024). Understanding the planning of LLM agents: A survey. arXiv. https://doi.org/10.48550/arXiv.2402.02716

Esta revisión me resultó especialmente útil para entender una confusión frecuente. Decimos que un agente “planifica”, pero muchas veces no explicamos qué significa exactamente esa planificación.

El trabajo analiza la descomposición de tareas, la selección de estrategias, la reflexión, la memoria y el uso de herramientas. En educación, estas cuestiones tienen una traducción directa. Si pedimos a un agente que diseñe una secuencia didáctica, ¿está siguiendo objetivos pedagógicos explícitos o simplemente está generando una sucesión lingüísticamente probable?

No todo lo que parece un plan es un plan robusto. Un agente puede presentar una secuencia muy convincente y, sin embargo, no ser capaz de detectar que los objetivos, las actividades y la evaluación no están alineados.

Le reconozco una limitación: es una revisión técnica y no aporta por sí misma evidencia de mejora del aprendizaje. Pero precisamente por eso resulta valiosa. Nos obliga a separar la capacidad de organizar pasos de la capacidad de tomar buenas decisiones educativas.

Mi valoración: una lectura muy recomendable para quienes diseñan flujos de trabajo con agentes.

Verificación: registro disponible en arXiv y DOI de DataCite. Debe citarse como preprint si no se utiliza una versión posterior revisada por pares.[arxiv]

4. Graesser et al. (2005): antes de los agentes ya había tutores inteligentes

Referencia: Graesser, A. C., Chipman, P., Haynes, B. C., & Olney, A. (2005). AutoTutor: An intelligent tutoring system with mixed-initiative dialogue. IEEE Transactions on Education, 48(4), 612–618. https://doi.org/10.1109/TE.2005.856149

Cuando hablamos de agentes educativos, existe una cierta tendencia a presentar todo como completamente nuevo. AutoTutor ayuda a corregir esa impresión.

Publicado en 2005, el sistema ya exploraba el diálogo de iniciativa mixta: no se limitaba a contestar, sino que podía plantear preguntas, solicitar aclaraciones, ofrecer explicaciones y mantener una interacción tutorial relativamente estructurada.

La tecnología actual es muy distinta, pero la pregunta pedagógica sigue siendo reconocible: ¿cómo puede un sistema intervenir para que el estudiante piense mejor, en lugar de limitarse a entregarle una respuesta?

Lo que más valoro de este artículo es que permite recuperar una tradición de investigación que a veces queda eclipsada por la fascinación por los modelos generativos. También obliga a ser más prudentes: si llevamos décadas investigando tutores inteligentes, no deberíamos asumir que un modelo de lenguaje resolverá automáticamente los problemas que aquellos sistemas ya planteaban.

Mi valoración: una referencia histórica imprescindible para no confundir novedad tecnológica con innovación pedagógica.

Verificación: artículo localizado en IEEE y ACM, con autores, revista, volumen, páginas y DOI coincidentes.[dl.acm][explore.openaire]

5. Córdova-Esparza (2025): una revisión cercana al debate educativo

Referencia: Córdova-Esparza, D. M. (2025). AI-powered educational agents: Opportunities, innovations, and ethical challenges.

Esta es una de las referencias que más se aproxima al debate actual sobre agentes educativos. Examina sus posibles usos en tutoría, retroalimentación, evaluación, personalización y diseño de experiencias de aprendizaje.

Lo que me interesa especialmente es que no presenta los agentes únicamente como herramientas de eficiencia. También pone sobre la mesa la privacidad, la autonomía del estudiante, los sesgos y la dependencia tecnológica.

Hay algo que quizá el texto podría desarrollar más: la diferencia entre ayudar a personalizar una experiencia y sustituir el juicio pedagógico del docente. Aun así, creo que tiene más virtudes que defectos porque introduce una cautela que no siempre aparece en los discursos sobre innovación educativa.

Eso sí, aquí conviene ser rigurosos. La referencia aparece en registros académicos secundarios, pero antes de publicarla en una bibliografía definitiva yo comprobaría directamente la revista, el volumen y el DOI. No todas las referencias que circulan en catálogos o buscadores están igual de consolidadas.

Mi valoración: interesante y pertinente, aunque la dejaría como referencia complementaria hasta completar la comprobación editorial.

Verificación: registro académico localizado, pero con datos editoriales que requieren confirmación adicional.[mendeley]

6. GenAI-agents in education (2026): la referencia que mejor ordena el campo

Referencia: GenAI-agents in education: A systematic review of macro-level, meso-level, and micro-level perspectives. (2026). Interactive Learning Environments. https://doi.org/10.1080/10494820.2026.2672562

Este es uno de los trabajos que más me ha ayudado a ordenar la literatura reciente. Su interés no está solamente en enumerar aplicaciones, sino en observar los agentes desde tres niveles: el sistema educativo, las instituciones y la interacción directa con estudiantes y docentes.

La revisión distingue funciones como el apoyo cognitivo, la autorregulación, el acompañamiento afectivo y la interacción humano-IA. Esta clasificación me parece más útil que muchas listas de herramientas porque conecta la tecnología con necesidades educativas concretas.

También me parece importante que la revisión no presente la autonomía como un valor absoluto. En educación, un agente más autónomo no es necesariamente un agente mejor. Puede ser preferible un sistema que haga menos, pero que explique sus decisiones, pida confirmación y permita intervenir al docente.

La principal limitación es evidente: el campo cambia tan rápido que cualquier revisión puede quedar parcialmente desactualizada en poco tiempo. A pesar de ello, la estructura que propone conserva bastante valor.

Mi valoración: probablemente una de las mejores referencias actuales para comenzar una revisión bibliográfica específica sobre agentes educativos.

Verificación: publicación identificable de Taylor & Francis, con DOI y resumen que describe una revisión de 33 estudios empíricos.[doi]

7. Sharma et al. (2025): personalizar no es simplemente adaptar respuestas

Referencia: Sharma, S., Mittal, P., Kumar, M., et al. (2025). The role of large language models in personalized learning: A systematic review of educational impact. Discover Sustainability, 6, 243. https://doi.org/10.1007/s43621-025-01094-z

Durante un tiempo utilicé “personalización” como si fuera una palabra suficientemente clara. Esta revisión me recordó que personalizar puede significar muchas cosas: adaptar el ritmo, modificar el nivel de dificultad, ofrecer apoyos diferentes, interpretar el progreso o cambiar la secuencia de actividades.

El artículo examina el uso de modelos de lenguaje en el aprendizaje personalizado y muestra oportunidades relacionadas con la retroalimentación, el seguimiento y la adaptación. Pero también deja ver que una respuesta diferente para cada estudiante no constituye, por sí sola, una experiencia personalizada de calidad.

Un agente puede adaptar la forma de expresarse sin comprender verdaderamente las necesidades cognitivas del estudiante. Puede recordar preferencias, pero no necesariamente interpretar bien sus dificultades. Puede producir una explicación “a medida” y, aun así, reforzar un error conceptual.

Por eso considero esta revisión especialmente útil para quienes hablan de agentes adaptativos. Ayuda a introducir más precisión en una palabra que se utiliza con demasiada facilidad.

Mi valoración: muy recomendable para conectar el debate sobre agentes con la investigación sobre aprendizaje personalizado.

Verificación: artículo publicado en Springer, con DOI y datos bibliográficos disponibles.[link.springer][link.springer]

8. UNESCO (2024): el docente no puede quedar fuera

Referencia: Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084

Cuando apareció este marco, algunas personas lo interpretaron como otra lista de competencias digitales. Yo creo que merece una lectura más cuidadosa.

UNESCO no reduce la competencia docente a saber utilizar herramientas. Incluye la ética de la IA, la pedagogía con IA, la responsabilidad humana, la comprensión de los sistemas y el desarrollo profesional.

En el caso de los agentes, esto es crucial. Un docente debería poder identificar qué datos utiliza un agente, qué grado de autonomía posee, cuándo conviene supervisarlo y qué decisiones no deberían delegarse.

El marco no resuelve todos los problemas prácticos. No explica, por ejemplo, cómo diseñar una rúbrica para evaluar un agente que proporciona retroalimentación durante un semestre. Pero ofrece una base normativa muy necesaria: la tecnología debe fortalecer la capacidad profesional del docente, no convertirlo en un simple supervisor de decisiones automáticas.

Mi valoración: una referencia institucional imprescindible para cualquier propuesta de formación docente sobre agentes.

Verificación: publicación oficial de UNESCO, con ISBN y DOI institucional.[unesco][discovery.ucl.ac][unesco-asp]

9. UNESCO (2023): una guía para poner límites

Referencia: UNESCO. (2023). Guidance for generative AI in education and research. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693

Confieso que al principio leí esta guía buscando principalmente recomendaciones prácticas sobre IA generativa. Después comprobé que su mayor valor estaba en otro lugar: ayuda a decidir qué límites deberían orientar su uso.

La guía aborda la protección de datos, la inclusión, la equidad, la autonomía humana y la necesidad de revisar los riesgos de la IA en educación. Estos temas adquieren todavía más importancia cuando hablamos de agentes que pueden recordar información, consultar sistemas externos y ejecutar acciones.

Hay aspectos que la guía no podía desarrollar completamente porque fue publicada antes de la expansión actual de los agentes autónomos. Aun así, sus principios siguen siendo válidos. El hecho de que un sistema pueda hacer más no significa que debamos permitirle hacer más.

Mi valoración: no es una guía específica sobre IA agéntica, pero proporciona el marco ético que muchas propuestas técnicas olvidan.

Verificación: documento oficial disponible en la Biblioteca Digital de UNESCO.[unesdoc.unesco][unesdoc.unesco]

10. NIST AI RMF: pasar de la ética general a la gestión concreta

Referencia: National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1

Este marco no fue creado específicamente para universidades ni para agentes educativos. Precisamente por eso puede resultar tan útil: obliga a salir del vocabulario exclusivamente pedagógico y a pensar también como responsables de un sistema sociotécnico.

Sus cuatro funciones —gobernar, mapear, medir y gestionar— pueden trasladarse fácilmente a un proyecto educativo con agentes. Antes de ponerlo en marcha habría que identificar sus objetivos, los datos que utiliza, los riesgos de sus decisiones, las personas responsables y los mecanismos de revisión.

A veces la ética queda reducida a una declaración de buenas intenciones. NIST ayuda a convertirla en preguntas operativas: ¿qué ocurre cuando el agente se equivoca?, ¿quién lo detecta?, ¿se conserva un registro?, ¿puede el estudiante impugnar la respuesta?, ¿qué intervención humana es obligatoria?

Su principal limitación es que no ofrece una teoría del aprendizaje. No pretende hacerlo. Su función es otra: ayudar a gobernar el sistema.

Mi valoración: una referencia muy recomendable para equipos directivos, responsables de innovación y grupos que diseñan políticas institucionales de IA.

Verificación: documento oficial del National Institute of Standards and Technology, publicado en enero de 2023 y con DOI institucional.[airc.nist][nvlpubs.nist]

Mi selección final

Si tuviera que conservar solamente cinco referencias para iniciar una investigación o preparar un curso sobre IA agéntica en educación, elegiría estas:

1. Wang et al. (2024), para comprender qué es un agente.
2. Graesser et al. (2005), para recuperar la tradición de los tutores inteligentes.
3. GenAI-agents in education (2026), para conocer el estado reciente de la investigación educativa.
4. UNESCO (2024), para pensar en las competencias docentes.
5. NIST AI RMF 1.0 (2023), para organizar la gobernanza y la gestión de riesgos.

Mi impresión general, después de revisar estas referencias bibliográficas, es que la IA agéntica sí introduce una novedad importante: puede modificar la distribución de tareas entre estudiantes, docentes y sistemas digitales. Pero la novedad técnica no debe llevarnos a exagerar la evidencia pedagógica.

Todavía sabemos bastante más sobre cómo construir agentes que sobre cómo demostrar que mejoran del aprendizaje. Por eso, en educación superior, la posición más razonable no es celebrar la autonomía por sí misma, sino diseñar agentes con objetivos acotados, trazabilidad, supervisión docente y espacios en los que el estudiante siga teniendo que pensar, decidir y justificar.