32 usos de la IA agéntica en educación, con su nivel de evidencia
Treinta y dos usos de la IA agéntica en educación superior, cada uno con su nivel de evidencia, más las herramientas que ya puedes probar (Codex, Claude Code, Cowork) y quince encargos para empezar esta semana. Sin humo y con las fuentes a la vista.
Treinta y dos usos de la IA agéntica en educación, con la evidencia de cada uno a la vista. Quince encargos para probarla usted mismo con Codex, Claude Code, Cowork y compañía. Y un plan de treinta días para no hacer el ridículo.
Resumen en un minuto
Un agente de IA percibe, planifica, usa herramientas y comprueba su propio resultado. Casi todo lo que hoy se vende como agente no cumple esas cuatro cosas.
De los 32 casos que hemos reunido, solo cuatro tienen evidencia documentada. En cinco, la cifra de mejora la pone quien desarrolla, vende o compra el sistema.
La evidencia más dura de aprendizaje, con grupo de control, es de tutores de IA bien diseñados. No es de agentes.
Usted puede empezar esta semana. Delegue la parte operativa del trabajo, revise todo lo que toca a un estudiante y no delegue nunca la calificación.
Cupón SEMANA50: el libro IA agéntica en educación superior con un 50 % de descuento, del 28 de septiembre al 4 de octubre de 2026.
Todo el artículo aplica los criterios del manual IA agéntica en educación superior. Donde el libro desarrolla una idea, verá una ficha.
Índice
- La prueba del algodón
- Lo que no es un agente aunque lo parezca
- Qué estudia la investigación
- Lo que sí está medido
- Treinta y dos usos con su etiqueta
- Las herramientas que ya tiene
- Quince encargos para esta semana
- Qué delegar y qué no
- Lo que los folletos no cuentan
- Cinco preguntas antes de comprar
- Un plan de treinta días
- Referencias
Llevo meses leyendo la palabra agente en todas partes. Agente es el chatbot de la web de matrícula. Agente es el correo automático que avisa de un plazo. Agente es, al parecer, cualquier cosa que una empresa quiera vender a una universidad este curso. Lo hemos llamado lavado agéntico: poner la etiqueta de moda a lo que ya existía. Me cansa, lo confieso. Me cansa todavía más ver que el profesorado se baja de la conversación por puro hartazgo. Hay usos que sí merecen la pena, y se están decidiendo sin nosotros.
Así que hemos hecho el trabajo sucio. Hemos leído una revisión sistemática recién publicada, dos catálogos comerciales, una guía de QS, tres ensayos con grupo de control y las notas de prensa que los catálogos citan. Después hemos separado el grano de la paja. Salen 32 usos, cada uno con una etiqueta que dice cuánta evidencia lo respalda. Salen también quince encargos concretos que usted puede probar con las herramientas que ya tiene. Esa segunda mitad es la que más nos importa.
La prueba del algodón: qué es un agente
Simon Baradziej publicó en agosto de 2026 la revisión más útil que conocemos sobre el tema (Baradziej, 2026). Partió de 1.247 registros y se quedó con 48 estudios. Lo interesante es su filtro. Solo contaba como agéntico el sistema que cumplía al menos tres de cuatro rasgos. Proponemos usarlos como prueba rápida ante cualquier producto que le presenten.
Los cuatro rasgos de un sistema agéntico
1. Autonomía. Decide los pasos sin que nadie le dicte cada uno.
2. Planificación. Parte un objetivo en subtareas ordenadas.
3. Uso de herramientas. Consulta bases de datos, busca en la web, ejecuta código, envía mensajes.
4. Memoria persistente. Recuerda entre sesiones lo que pasó antes.
Si el producto solo cumple uno o dos, es un chatbot con mejor departamento de marketing. La frase no es del todo nuestra. El propio catálogo de Ampcome admite que, sin un motor de contexto real, un agente es «un chatbot con mejor marketing» (Nawaz, 2026). Tiene gracia que lo diga quien vende agentes.
libro
Capítulo 1, apartados 1.2, 1.3 y 1.6 (tabla 1.1 y figura 1.2)
Los cuatro rasgos coinciden con las cuatro capacidades distintivas del agente educativo, que el libro toma de Wang y colaboradores (2024). El libro añade el criterio de Kostopoulos y colaboradores (2025), cuatro de seis condiciones verificables, y una idea que aquí sirve mucho: la agenticidad es gradual. Un sistema no es agente o no agente. Está más cerca o más lejos.
El dibujo siguiente pone el ciclo a trabajar con una tarea que cualquier docente reconoce. Fíjese en el cuarto paso. Un chat le devuelve un texto y se olvida. Un agente relee lo que ha hecho, lo compara con el objetivo y vuelve atrás si no cumple.
Hay una segunda idea que conviene retener desde el principio. Terrence Gee, director de sistemas de información de Rice University, la resumió así: «Don't bring an agent to an RPA fight». Traducido: no lleve un agente a una pelea que se gana con automatización simple (Brand, 2026). Si el proceso es fijo y predecible, basta con una regla. El agente tiene sentido cuando hay que decidir entre pasos y moverse entre varios sistemas. Esta frase nos ahorraría la mitad de las compras universitarias de este año.
Lo que no es un agente aunque lo parezca
Las cifras más grandes de IA educativa hablan de acceso, no de agentes. La California State University dio ChatGPT Edu a más de 460.000 estudiantes y 63.000 empleados de sus 23 campus (OpenAI, 2025). La Universidad de Michigan lanzó en 2023 su propio servicio, U-M GPT, con datos que no se usan para entrenar modelos (University of Michigan, 2023). Fuera de la universidad, Estonia puso en marcha en el curso 2025-2026 su programa AI Leap en 154 institutos, para 20.000 alumnos de 16 y 17 años y 4.900 docentes. En marzo de 2026 se habían activado 7.700 cuentas (TI-Hüpe, 2026).
Acceso masivo e infraestructura
Los tres proyectos son importantes. Ninguno es, por sí mismo, un despliegue de agentes. Dar una cuenta a cada estudiante es infraestructura. Lo agéntico empieza cuando alguien diseña, encima de esa cuenta, un sistema que persigue un objetivo, usa herramientas y se corrige.
La confusión tiene consecuencias. En la CSU, parte del profesorado y del alumnado rechaza el contrato desde 2025, y en 2026 hubo una petición para cancelarlo, según cuentan Palmer (2026) y Corzo (2026). Cuando se compra acceso y se anuncia una revolución, el desencanto llega solo.
Qué estudia la investigación, y desde dónde
La revisión de Baradziej agrupa los 48 estudios en seis funciones. El gráfico muestra cuántos estudios tratan cada una.
Dos datos del mismo estudio nos parecen más reveladores que el gráfico. El primero: solo el 10 % de los trabajos procede del Sur global, incluida América Latina. El segundo: abundan los estudios de caso y escasean los ensayos controlados. Casi dos tercios de lo que sabemos vienen de Norteamérica (35 %) y del este y el sur de Asia (28 %). Una quinta parte, de Europa. Y casi nada está probado a largo plazo. ¿Qué implica esto para una universidad de Bogotá, San Salvador o León? Que la prudencia es método.
Lo que sí está medido (y casi nada son agentes)
Aquí va la noticia incómoda. Los estudios con grupo de control que miden aprendizaje de verdad evalúan tutores de IA bien diseñados. No evalúan agentes. El mejor resultado universitario viene de Harvard. En un ensayo aleatorizado cruzado con dos lecciones de física, 194 estudiantes aprendieron con un tutor de IA más del doble que en una clase de aprendizaje activo. El tamaño del efecto fue de 0,63 desviaciones típicas (Kestin et al., 2025). El tutor estaba construido con principios de enseñanza muy concretos. No era un modelo suelto.
Los otros resultados matizan el entusiasmo. En Nigeria, seis semanas de tutoría con Copilot en secundaria dieron 0,31 desviaciones típicas en un índice que combina inglés, conocimientos de IA y competencias digitales. Solo en inglés, 0,23 (De Simone et al., 2025). Khanmigo, en sesiones de refuerzo de matemáticas de 18 escuelas de Tennessee, se quedó entre 0,06 y 0,08 en un curso, cerca de lo que logra Khan Academy sin IA. El 96 % del alumnado lo probó, pero el alumno mediano solo le escribió en el 17 % de las sesiones en que se equivocó (Oreopoulos y Low, 2026). El límite fue el uso. La herramienta estaba ahí.
El dato más citado va en sentido contrario. En un ensayo con cerca de mil estudiantes de secundaria en Turquía, quienes practicaron con un modelo sin salvaguardas rindieron un 17 % peor en el examen posterior (Bastani et al., 2025). En cambio, en un cuasiexperimento con 240 universitarios de primer curso en Tailandia, el grupo que delegó las tareas de escritura de orden inferior y conservó el análisis mejoró más su pensamiento crítico (Hong et al., 2025). Son estudios distintos, en niveles y materias distintos. Aun así, todo apunta a que pesa más el diseño que la potencia del modelo.
libro
Apartado 2.6 (tabla 2.2)
El libro compara los cuatro estudios que mejor miden este efecto: Bastani, Fan, Gerlich y Hong. Para cada uno dice qué encuentra y, sobre todo, qué no autoriza a afirmar. También advierte de que los dos ensayos que mejor miden el aprendizaje, Bastani y Fan, no evalúan agentes. Un sistema con más autonomía amplificaría previsiblemente lo que ya produce un asistente reactivo, para bien o para mal. Eso es todavía una conjetura. En el libro llamamos ilusión agéntica a la sensación de haber aprendido cuando apenas se ha completado una tarea.
Treinta y dos usos, con su etiqueta de evidencia
Antes del catálogo, la clave de lectura. Cada caso lleva la etiqueta de la escala de madurez que usamos en el libro. Los catálogos comerciales mezclan un ensayo aleatorizado con una nota de prensa como si pesaran lo mismo. La etiqueta sirve para separarlos.
Emergente existe y está en uso, aunque su alcance sigue sin estabilizarse.
Plausible es técnicamente posible y aún no se ha demostrado.
Especulativo proyecta un desarrollo razonable que puede no cumplirse.
Cifra del proveedor marca añadida para este artículo: el dato de mejora lo aporta quien desarrolla, vende o compra el sistema, sin verificación independiente.
libro
Preliminares y capítulo 11
La escala de cuatro niveles recorre el manual entero. El libro solo concede la etiqueta de plenamente documentados a tres casos de aprendizaje: Khanmigo, Pounce y PitchQuest. Los tres se analizan en el capítulo 11. El libro señala además una relación inversa: cuanto más ambiciosa es la intervención pedagógica, más débil suele ser su evidencia. Este catálogo la confirma caso a caso.
Cuatro de 32. Solo cuatro casos están documentados, y uno de ellos, The AI Scientist, no dice nada sobre cómo aprende un estudiante. En cinco casos la cifra de mejora la pone quien desarrolla, vende o compra el sistema. No significa que sean falsos. Significa que usted tiene derecho a pedir los datos antes de firmar nada.
Puede filtrar el catálogo por ámbito y por nivel de evidencia. Pruebe a pulsar «Documentado» y verá lo corta que se queda la lista.
Mostrando 32 de 32 casos
El sistema LEA, de Abertay University, combina chat, tutoría y cuestionarios. Un agente orquestador vigila la carga cognitiva y ajusta la ayuda. Se evaluó con estudiantes simulados, no con estudiantes reales (Rumble et al., 2026, citado en Baradziej, 2026).
EmergenteEn el Indian Institute of Science, un agente integrado en Moodle y Teams impartió un curso de posgrado de computación en la nube. El profesor pasó a diseñar el curso y a facilitar las sesiones. La fuente es una prepublicación (Simmhan y Kulkarni, 2025, citado en Baradziej, 2026).
EmergenteUn estudio de caso ecuatoriano integra aprendizaje por refuerzo e IA generativa en el propio campus virtual (López-Goyez et al., 2026, citado en Baradziej, 2026). Su mérito es práctico: no obliga a cambiar de plataforma.
EmergenteEl tutor de Khan Academy guía con preguntas y no resuelve el ejercicio. El libro lo cuenta entre los tres casos documentados. El primer ensayo grande, en sesiones de refuerzo de matemáticas de 18 escuelas de Tennessee (middle school), da efectos de 0,06 a 0,08 desviaciones típicas en un curso, parecidos a los de Khan Academy sin IA (Oreopoulos y Low, 2026).
DocumentadoEn Wharton, el estudiante presenta su proyecto a un inversor simulado. Otros agentes hacen de mentor y de evaluador (Mollick et al., 2024). El libro lo cuenta entre los documentados como diseño. Ojo: el artículo describe el prototipo y todavía no publica datos de aprendizaje.
DocumentadoEn un experimento, un agente de IA generativa ayudó a los estudiantes a entender visualizaciones de analíticas de aprendizaje (Yan et al., 2025). Útil para esos paneles del campus que nadie entiende. Es un solo estudio.
EmergenteResponde dudas de logística y de contenido a partir de los documentos del curso (Taneja et al., 2024). En un curso de IA del máster en línea, con asignación aleatoria, la sección con Jill Watson tuvo un 66 % de notas A frente al 62 %. Los autores piden cautela (Kakar et al., 2024).
EmergenteCifra del proveedorUn tutor que guía sin dar la solución, dentro del editor de código y del foro del curso. Con datos de 2023: más de 50.000 usuarios, 1,8 millones de consultas y un coste de unos 1,90 dólares por estudiante y mes (Liu et al., 2024).
EmergenteSimClass, de la Universidad Tsinghua, simula una clase con varios agentes: uno hace de profesor, otro de asistente y otros de compañeros. Se probó con estudiantes universitarios en dos cursos reales (Zhang et al., 2025).
EmergenteEl concurso interno AI Innovation Challenge de ASU puso en marcha más de 500 proyectos con ChatGPT Edu. Entre ellos, un paciente simulado para practicar salud conductual y un compañero de estudio de idiomas (Miller, 2025).
EmergenteEl agente lee la entrega, aplica la rúbrica del docente, redacta un borrador de comentario y señala los casos dudosos. La revisión de Baradziej recoge reducciones del 50 al 70 % del tiempo de corrección y un acuerdo del 90 al 95 % con correctores humanos, pero no indica de qué estudios salen esas cifras (Baradziej, 2026).
EmergenteSargsyan (2025, citado en Baradziej, 2026) propone agentes de evaluación que cierren con una pregunta y no con un veredicto, para no quitar al estudiante la reflexión sobre su trabajo. Es una propuesta conceptual, sin datos propios.
PlausibleGeorgia State usó un asistente por mensajes de texto, anterior a la IA generativa, para guiar los trámites antes del primer día. Un ensayo aleatorizado midió 3,3 puntos porcentuales más de matrícula a tiempo (Page y Gehlbach, 2017).
DocumentadoEn un ensayo preregistrado con 1.568 estudiantes de Ciencia Política, los mensajes del chatbot (no generativo) subieron 4 puntos porcentuales la probabilidad de sacar A o B (Meyer et al., 2024). Es un documento de trabajo, todavía sin revisión por pares.
EmergenteEl sistema LIS calcula cada día el riesgo de abandono y envía mensajes personalizados. En un piloto con 581 estudiantes de primer semestre, el abandono fue un 12 % menor entre participantes que entre no participantes (Bañeres et al., 2023). La comparación no fue aleatorizada.
EmergenteEn un piloto de 2016, un modelo predictivo señaló unos 16.000 estudiantes en riesgo, de más de 50.000, en la segunda semana del semestre. De los contactados, unos 3.000 aprobaron con C o más (Google for Education, s. f.). Es un modelo predictivo, no un agente, y la fuente es un caso de éxito del proveedor.
EmergenteCifra del proveedorEl agente revisa el expediente, simula itinerarios y deja al asesor las decisiones de criterio. Tiene sentido donde un asesor atiende a 300 o 500 estudiantes. Es una descripción genérica de catálogo, sin institución ni resultados (Nawaz, 2026).
PlausibleQS propone un agente que cruce salidas profesionales, competencias, optativas y servicios de la universidad. Buena idea. Sin datos todavía (Brand, 2026).
EspeculativoDurante un piloto con el reclutador automático de la empresa Halda, la escuela de posgrado de West Florida registró un 32 % más de tasa de admisión (Donadel, 2025). Nadie ha mostrado que lo causara el agente. Y una pregunta de cascarrabias: si sube la tasa de admisión, ¿mejoró el candidato o bajó el listón?
EmergenteCifra del proveedorUn agente construido sobre Agentforce, de Salesforce, guía a los futuros estudiantes en la solicitud y en la elección de programa. La universidad calcula que, con el tiempo, reducirá en torno a un 25 % la carga de los asesores (Roakes, 2025). Lo calcula. No lo mide.
EmergenteCifra del proveedorAxio detecta quién dejó la solicitud a medias y le guía para subir los documentos (Moquin, 2025). Element451 anuncia para su plataforma mejoras esperadas de retención del 2 al 7 % (citado en Baradziej, 2026).
EmergenteCifra del proveedorEl director de sistemas de Rice pone como ejemplo un agente que reúne salas, alojamiento y requisitos para organizar visitas al campus. La universidad ha explorado enfoques agénticos para los expedientes de plaza permanente (tenure), que exigen datos de varias bases (Brand, 2026).
EmergenteEl agente explica los requisitos, revisa los documentos subidos y pasa las anomalías a una persona. Ayudaría sobre todo a quien no tiene en casa a nadie que conozca el trámite. Es una descripción genérica de catálogo (Nawaz, 2026).
PlausibleIgniteAI Agent recibe una instrucción y hace el trabajo de varios pasos: crea módulos, ajusta fechas de entrega, genera rúbricas y revisa debates. Según un cliente, también limpia problemas de accesibilidad. Se lanzó en Estados Unidos y América Latina (Instructure, 2026).
EmergenteDentro de su plataforma TECgpt, el Tec ofrece Agent Studio para que el profesorado y el personal creen sus propias automatizaciones. Ha formado a más de 4.100 docentes, anunció que liberará el código y ofrece una edición abierta a la red AIGEN, de 30 universidades de 8 países (González, 2025). Sin datos de aprendizaje.
EmergenteRice explora un agente que empareja la trayectoria de cada investigador con convocatorias abiertas. El objetivo es modesto y por eso nos gusta: devolver a quien investiga algo de tiempo cada semana (Brand, 2026).
EmergenteVarios agentes hacen de doctorando, posdoc, ingenieros y profesor. Revisan literatura, experimentan y redactan. Reducen un 84 % el coste frente a métodos autónomos previos, y la calidad mejora algo cuando una persona supervisa (Schmidgall et al., 2025).
EmergenteUn sistema que automatiza el ciclo de investigación en aprendizaje automático. Uno de sus tres manuscritos superó la revisión de un taller de ICLR 2025, que aceptaba el 70 % de los envíos, y los autores lo retiraron después, como tenían previsto (Lu et al., 2026). Documentado como ingeniería. No dice nada sobre cómo aprende un estudiante.
DocumentadoUn agente cruza el contenido de las asignaturas con marcos de competencias y ofertas de empleo. Joshi (2026, citado en Baradziej, 2026) lo plantea en un trabajo conceptual sobre formación en planificación financiera, con la advertencia de no reducir la universidad a una agencia de colocación.
PlausibleUna red de más de un millón de docentes en más de 130 países usa un agente que responde dudas, perfila competencias y recomienda formación. Es un cliente anónimo del proveedor, sin datos de resultados (Nawaz, 2026).
PlausibleAgentes que redactan mensajes a las familias en su idioma y borradores de planes de apoyo individual. Los temas delicados pasan a una persona. Es una descripción genérica de catálogo (Nawaz, 2026).
PlausibleLos responsables de formación preguntan en lenguaje corriente a sus sistemas de aprendizaje, recursos humanos y finanzas, y reciben respuestas con trazabilidad. Descripción del proveedor, sin cliente identificado (Nawaz, 2026).
PlausibleAviso sobre los casos del catálogo de Ampcome. Los de planificación de itinerarios, becas, desarrollo profesional docente, escuela y formación en empresa proceden de ese catálogo comercial (Nawaz, 2026). La mayoría son descripciones genéricas, sin institución ni resultados. El de desarrollo profesional docente es un cliente anónimo que funciona sobre su plataforma. Sirven como catálogo de ideas. No sirven como prueba. Lo mismo vale para el artículo de Enrollify (Moquin, 2025), que promete «historias reales, no teoría» y enlaza varias fuentes con parámetros de seguimiento de ChatGPT. Ironías del oficio.
Las herramientas que ya tiene a mano
Hasta aquí, lo que hacen las instituciones con presupuesto. Ahora, lo que puede hacer usted solo con una suscripción y una tarde. En 2026 hay agentes de uso general que leen sus archivos, ejecutan código, navegan y entregan un resultado. Nacieron para programadores. OpenAI dice que Codex lo usan cada vez más personas que no programan, para informes, hojas de cálculo y presentaciones. Anthropic afirma que solo el 8,7 % del uso de Cowork es programación (Bellan, 2026). Así los anunciaron sus fabricantes.
We're launching a research preview of Codex: a cloud-based software engineering agent that can work on many tasks in parallel.
OpenAI (@OpenAI) x.com/OpenAI/status/1923416740073033873
Introducing Cowork: Claude Code for the rest of your work. Cowork lets you complete non-technical tasks much like how developers use Claude Code.
Claude (@claudeai) x.com/claudeai/status/2010805682434666759
Ethan Mollick, profesor de Wharton y uno de los autores de PitchQuest, lo resumió con una prudencia que compartimos: los agentes ya hacen trabajo real, pero acotado (Mollick, 2025).
AI agents are now capable of doing real, if bounded, work.
Ethan Mollick (@emollick) x.com/emollick/status/1972737754363752557
Antes de empezar, una regla que no se negocia. No entregue a ningún agente datos personales de estudiantes sin anonimizar, salvo que su universidad tenga un contrato que lo cubra. El RGPD sigue vigente aunque la herramienta sea muy lista. Exporte, quite nombres y correos, sustitúyalos por códigos y trabaje con eso. En América Latina, las leyes nacionales de protección de datos piden lo mismo con otros nombres.
Quince encargos para probar esta semana
Cada encargo incluye una instrucción de ejemplo que puede copiar y adaptar. Y cada uno dice qué se queda usted. Esa segunda parte es la importante. Junto a cada título verá además el papel que usted conserva, según los cinco niveles de Feng y colaboradores (2025): operador, colaborador, consultor, aprobador u observador. En ninguno de los quince le proponemos ser observador.
libro
Apartado 2.6 (tabla 2.1) y capítulo 7
La escala de Feng y colaboradores (2025) ordena la autonomía según el papel que conserva la persona, desde la persona hace hasta la persona mira. El capítulo 7 la convierte en el marco de autonomía pedagógicamente restringida, con cinco niveles, de APR-0 a APR-4, y una matriz para decidir cuánta autonomía conceder según la tarea y el estudiante.
1. Borradores de retroalimentación contra su rúbrica Usted: aprobador
CoworkClaude Code
Usted se queda con la nota, la revisión de cada borrador y los casos dudosos.
2. Preparar la semana del curso Usted: aprobador
Cowork
Usted se queda con el tono del anuncio y la decisión de qué dudas merecen clase.
3. Auditoría de la guía docente Usted: consultor
Claude CodeCodex
Usted se queda con el rediseño. El agente encuentra huecos, no decide cómo llenarlos.
4. Un simulador de casos en una página web Usted: colaborador
Claude CodeCodex
Usted se queda con el caso, las consecuencias y la validez clínica o jurídica.
5. Banco de problemas con soluciones comprobadas Usted: aprobador
CodexClaude Code
Usted se queda con la revisión de los enunciados. Que el cálculo cuadre no garantiza que el problema tenga sentido.
6. Materiales accesibles Usted: aprobador
CodexClaude Code
Usted se queda con los textos alternativos de las figuras complejas, que exigen saber qué enseña cada una.
7. Un panel de alerta temprana para su asignatura Usted: consultor
Claude CodeCodex
Usted se queda con la decisión de a quién escribir y cómo. Es la versión artesanal de los casos de la UOC y de Ivy Tech.
8. El mismo flujo, cada lunes, sin que usted lo lance Usted: aprobador
n8n
Un flujo semanal exporta los accesos, filtra a quien no ha entrado, redacta un mensaje de ánimo personalizado y lo deja en borrador. La parte fija la hace una regla y el modelo solo redacta. Es exactamente lo que aconsejaba Gee.
Usted se queda con el botón de enviar.
9. Convocatorias que encajan con su perfil Usted: consultor
ChatGPT agenteGemini agente
Usted se queda con la comprobación en la fuente oficial. Los agentes que navegan también se equivocan de fecha.
10. Estado de la cuestión con referencias verificadas Usted: colaborador
Claude CodeCodex
Usted se queda con la lectura. Es el modo copiloto de Agent Laboratory, que según sus autores rinde algo más que el autónomo.
11. Ensayo de la defensa del trabajo final Usted: operador
Cualquier asistente con voz
Usted se queda con la preparación real. El ensayo no sustituye al director del trabajo.
12. Un tutor que no da respuestas Usted: colaborador
Proyectos de ClaudeGPT personalizadosGems
Un matiz: esto se parece más a un asistente configurado que a un agente pleno. No pasa entera la prueba del algodón, y tampoco lo necesita. Es el patrón de Khanmigo y del pato de CS50.
Usted se queda con la tutoría y la prueba previa: haga usted de estudiante tramposo antes de abrirlo.
13. Revisar su curso con el agente del campus Usted: aprobador
IgniteAI (Canvas)el agente de su LMS
Usted se queda con la aprobación de cada cambio. El agente del campus toca el curso real, no una copia.
14. Replicar un análisis publicado Usted: colaborador
Claude CodeCodex
Mollick contó que Claude Sonnet 4.5 reprodujo un artículo de economía publicado a partir del propio artículo y de sus archivos de datos (Mollick, 2025). Para una asignatura de métodos es oro: el estudiante discute las discrepancias.
Usted se queda con la discusión de las discrepancias con los estudiantes.
15. Un aula simulada para ensayar una clase Usted: operador
Cualquier modelo de uso general
Usted se queda con el juicio sobre qué cambiar. Los estudiantes simulados son caricaturas útiles, no personas.
Qué delegar y qué no
La guía de QS lo dice con sensatez: la supervisión humana debe crecer con las consecuencias de la tarea (Brand, 2026). En Europa, además, es ley. El Reglamento de IA clasifica como de alto riesgo los sistemas que se usan para determinar el acceso o la admisión a centros educativos y para evaluar resultados de aprendizaje (Reglamento (UE) 2024/1689, 2024, anexo III, punto 3). La matriz sitúa los quince encargos en dos ejes. Uno mide cuánto cuesta un error que nadie detecta. El otro, cuánto juicio del estudiante está en juego.
Mire dónde se agrupan los encargos. Casi todos caen abajo: son trabajo operativo del docente. Los que suben, el 10, el 11, el 12, el 14 y el 15, tocan el juicio del estudiante. Por eso llevan reglas escritas. Arriba a la derecha no hay ninguno. Ahí están la calificación, la admisión y las sanciones. Esa esquina no se delega.
libro
Apartado 2.6: autonomía operativa y agencia epistémica
La matriz es una versión de bolsillo de la tesis del libro. La autonomía operativa se delega. La agencia epistémica, no. Programar, agrupar o redactar un primer borrador es operativo y puede delegarse si un docente revisa el resultado. Juzgar, evaluar evidencia y construir comprensión pertenece al estudiante. Ante cualquier delegación, el libro propone una pregunta: ¿qué perdería el estudiante si dejara de practicar aquello que el sistema puede hacer por él?
Lo que los folletos no cuentan
Los folletos dejan los riesgos para la letra pequeña. La revisión de Baradziej (2026) los recoge con claridad, y a ellos sumamos lo que hemos visto en las aulas.
La dependencia cognitiva. Si el agente hace el trabajo intelectual, el estudiante aprende menos. Ya ha visto los datos de Bastani y de Hong. Es probable que el problema esté en el diseño. Un mal diseño deja al estudiante como espectador. Con agentes el riesgo crece, porque hacen más cosas sin que nadie mire.
El sesgo en la corrección. Los sistemas de calificación automática pueden penalizar a quien escribe en una variedad no estándar o en su segunda lengua (Baradziej, 2026). Para el profesorado hispanohablante que corrige con modelos entrenados sobre todo en inglés, la advertencia no es menor. Un estudiante salvadoreño y uno madrileño no escriben igual, y ninguno de los dos escribe mal por eso.
La proliferación de agentes. En el seminario de QS se habló de agent sprawl: cada departamento crea sus agentes sin coordinación central (Brand, 2026). Quien haya vivido la época de las cien aplicaciones móviles institucionales ya sabe cómo acaba eso.
La brecha de formación. En una encuesta a 184 docentes de ciencias sociales de Armenia, el 58,7 % usaba la IA en sus cursos, aunque poco. Solo el 6,5 % la aplicaba directamente a enseñar. El resto la usaba para evaluar, planificar o gestionar (Atoyan et al., 2025). No tenemos la cifra de su universidad. Sospechamos que se parece más a esta que a la de las memorias institucionales.
El expediente que nadie custodia. Un agente con memoria guarda la historia de cada estudiante: sus dudas, sus errores, sus horarios. Ese archivo existe en algún servidor. Pregunte dónde, durante cuánto tiempo y quién puede leerlo.
Cinco preguntas antes de aceptar un agente
Llévelas impresas a la próxima reunión con un proveedor
1. ¿Cumple al menos tres de los cuatro rasgos, o es un chatbot con otro nombre?
2. ¿La cifra de mejora viene de un estudio independiente o del folleto?
3. ¿Qué datos de estudiantes toca, dónde se guardan y quién los ve?
4. ¿Qué decisiones toma solo y cuáles deja a una persona?
5. ¿Quién responde cuando se equivoca?
libro
Apartado 1.2 y capítulos 15, 17 y 18
Un agente que planifica, recuerda y actúa no se evalúa con un banco de preguntas. Exige observar trayectorias completas y preguntar dónde se guarda el historial del estudiante y quién puede consultarlo. El libro desarrolla la evaluación de agentes en el capítulo 15, la privacidad y la gobernanza de datos en el 17 y la implantación institucional en el 18.
Un plan de treinta días para un docente
Si ha llegado hasta aquí, no se lleve una lista de ideas. Llévese un calendario. Este es el que recomendamos en los talleres con profesorado.
¿Merece la pena, entonces? Creemos que sí, con una condición. La IA agéntica rinde cuando el docente diseña el encargo y conserva la decisión. Rinde mucho menos cuando la institución compra un agente para no tener que pensar el proceso. Los quince encargos están pensados para lo primero. Pruebe uno esta semana, el que menos le asuste. Y después cuéntenos qué pasó en los comentarios. De eso se aprende más que de cualquier catálogo, este incluido.
Manual universitario · Editorial IAforTeachers
IA agéntica en educación superior
Fundamentos, arquitecturas, diseño pedagógico y gobernanza de los agentes en la formación universitaria
Todo lo que en este artículo aparece como ficha está desarrollado en el manual: la escala de madurez, los tres casos documentados, la frontera entre autonomía operativa y agencia epistémica, y el marco APR.
CAPÍTULOS
ANEXOS
FIGURAS
CASOS DOCUMENTADOS
del 28 de septiembre al 4 de octubre de 2026
Referencias
Atoyan, V., Brosius, L., Movsisyan, N., Ohanyan, S. y Hovyan, V. (2025). The role of artificial intelligence in higher education: The case of Armenia. PS: Political Science & Politics, 58(3), 587-592. https://doi.org/10.1017/S104909652400115X
Bañeres, D., Rodríguez-González, M. E., Guerrero-Roldán, A.-E. y Cortadas, P. (2023). An early warning system to identify and intervene online dropout learners. International Journal of Educational Technology in Higher Education, 20, Artículo 3. https://doi.org/10.1186/s41239-022-00371-5
Baradziej, S. (2026). A systematic review of the roles of agentic AI in higher education. Social Sciences & Humanities Open, 14, Artículo 103418. https://doi.org/10.1016/j.ssaho.2026.103418
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. y Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Artículo e2422633122. https://doi.org/10.1073/pnas.2422633122
Bellan, R. (2026, 7 de julio). Claude Cowork expands to mobile and web. TechCrunch. https://techcrunch.com/2026/07/07/the-coding-agent-wars-are-spilling-into-the-rest-of-the-office-claude-cowork/
Brand, L. (2026, 11 de septiembre). A practical guide to agentic AI in higher education. QS. https://www.qs.com/insights/agentic-ai-in-higher-education
Corzo, A. (2026, 1 de mayo). Cal State struck a deal with OpenAI. Some students and faculty refuse to use it. CalMatters. https://calmatters.org/education/2026/05/california-state-university-open-ai-chatgpt-contract/
De Simone, M. E., Tiberti, F. H., Barron Rodriguez, M. R., Manolio, F. A., Mosuro, W. y Dikoru, E. J. (2025). From chalkboards to chatbots: Evaluating the impact of generative AI on learning outcomes in Nigeria (Policy Research Working Paper n.º 11125). Banco Mundial. https://doi.org/10.1596/1813-9450-11125
Donadel, A. (2025, 12 de marzo). These schools are pioneering AI in student recruitment. University Business. https://universitybusiness.com/these-schools-are-pioneering-ai-in-student-recruitment/
Feng, K. J. K., McDonald, D. W. y Zhang, A. X. (2025, 28 de julio). Levels of autonomy for AI agents (Ensayo n.º 25-15). Knight First Amendment Institute at Columbia University. https://knightcolumbia.org/content/levels-of-autonomy-for-ai-agents-1
González, G. (2025, 20 de junio). Tec de Monterrey abre su IA educativa al mundo: será código abierto. Conecta. https://conecta.tec.mx/es/noticias/santa-fe/institucion/tec-de-monterrey-abre-su-ia-educativa-al-mundo-sera-codigo-abierto
Google for Education. (s. f.). Ivy Tech develops machine learning algorithm to identify at-risk students. https://edu.google.com/intl/ALL_us/why-google/customer-stories/ivytech-gcp/
Hong, H., Vate-U-Lan, P. y Viriyavejakul, C. (2025). Cognitive offload instruction with generative AI: A quasi-experimental study on critical thinking gains in English writing. Forum for Linguistic Studies, 7(7), 325-334. https://doi.org/10.30564/fls.v7i7.10072
Instructure. (2026, 12 de marzo). Instructure delivers on its agentic AI promise with the launch of IgniteAI Agent [Nota de prensa]. https://www.instructure.com/press-release/instructure-delivers-its-agentic-ai-promise-launch-igniteai-agent
Kakar, S., Maiti, P., Taneja, K., Nandula, A., Nguyen, G., Zhao, A., Nandan, V. y Goel, A. (2024). Jill Watson: Scaling and deploying an AI conversational agent in online classrooms. En A. Sifaleras y F. Lin (Eds.), Generative intelligence and intelligent tutoring systems (Lecture Notes in Computer Science, vol. 14798, pp. 78-90). Springer. https://doi.org/10.1007/978-3-031-63028-6_7
Kestin, G., Miller, K., Klales, A., Milbourne, T. y Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, Artículo 17458. https://doi.org/10.1038/s41598-025-97652-6
Liu, R., Zenke, C., Liu, C., Holmes, A., Thornton, P. y Malan, D. J. (2024). Teaching CS50 with AI: Leveraging generative artificial intelligence in computer science education. En Proceedings of the 55th ACM Technical Symposium on Computer Science Education (Vol. 1, pp. 750-756). ACM. https://doi.org/10.1145/3626252.3630938
Lu, C., Lu, C., Lange, R. T., Yamada, Y., Hu, S., Foerster, J., Ha, D. y Clune, J. (2026). Towards end-to-end automation of AI research. Nature, 651(8107), 914-919. https://doi.org/10.1038/s41586-026-10265-5
Meyer, K., Page, L. C., Mata, C., Smith, E. N., Walsh, B. T., Fifield, C. L., Tyson, M., Eremionkhale, A. E., Evans, M., Frost, S. y Jung, E. E. (2024). Let's chat: Leveraging chatbot outreach for improved course performance (EdWorkingPaper n.º 22-564). Annenberg Institute at Brown University. https://doi.org/10.26300/es6b-sm82
Miller, T. (2025, 15 de septiembre). ASU and OpenAI expand collaboration, scaling AI to advance student success, research and innovation. ASU Enterprise Technology. https://tech.asu.edu/features/asu-and-openai-expand-collaboration-scaling-ai
Mollick, E. (2025, 29 de septiembre). Real AI agents and real work. One Useful Thing. https://www.oneusefulthing.org/p/real-ai-agents-and-real-work
Mollick, E. R., Mollick, L., Bach, N., Ciccarelli, L. J., Przystanski, B. y Ravipinto, D. (2024). AI agents and education: Simulated practice at scale [Prepublicación]. arXiv. https://doi.org/10.48550/arXiv.2407.12796
Moquin, S. (2025, 8 de mayo). 5 real use cases of agentic AI in higher ed that aren't just fancy buzzwords. Enrollify. https://www.enrollify.org/blog/5-real-use-cases-of-agentic-ai-in-higher-ed-that-arent-just-fancy-buzzwords
Nawaz, S. (2026, 2 de julio). AI agents in education examples: 22 real use cases across K-12, higher ed, EdTech & corporate L&D (2026 playbook). Ampcome. https://www.ampcome.com/post/ai-agents-in-education-examples
OpenAI. (2025, 4 de febrero). OpenAI and the California State University system bring AI to 500,000 students and faculty. https://openai.com/index/openai-and-the-csu-system/
OpenAI. (2026, 2 de febrero). Introducing the Codex app. https://openai.com/index/introducing-the-codex-app/
Oreopoulos, P. y Low, N. (2026). One click away: AI tutoring with Khanmigo in a two-year school experiment (NBER Working Paper n.º 35620). National Bureau of Economic Research. https://doi.org/10.3386/w35620
Page, L. C. y Gehlbach, H. (2017). How an artificially intelligent virtual assistant helps students navigate the road to college. AERA Open, 3(4), Artículo 2332858417749220. https://doi.org/10.1177/2332858417749220
Palmer, K. (2026, 27 de marzo). Faculty push back against OpenAI deals. Inside Higher Ed. https://www.insidehighered.com/news/tech-innovation/artificial-intelligence/2026/03/27/faculty-push-back-against-openai-deals
Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). (2024). Diario Oficial de la Unión Europea, L 2024/1689, 12 de julio de 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
Roakes, E. (2025, 3 de marzo). Unity Environmental University becomes first U.S. university to launch Salesforce's Agentforce, introducing “Una” [Nota de prensa]. Unity Environmental University. https://unity.edu/press-releases/unity-environmental-university-becomes-first-u-s-university-to-launch-salesforces-agentforce-introducing-una/
Santamaría, F. (2026). IA agéntica en educación superior: Fundamentos, arquitecturas, diseño pedagógico y gobernanza de los agentes en la formación universitaria. Editorial IAforTeachers. https://iaagentica.netlify.app/
Schmidgall, S., Su, Y., Wang, Z., Sun, X., Wu, J., Yu, X., Liu, J., Moor, M., Liu, Z. y Barsoum, E. (2025). Agent Laboratory: Using LLM agents as research assistants. En Findings of the Association for Computational Linguistics: EMNLP 2025 (pp. 5977-6043). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.findings-emnlp.320
Taneja, K., Maiti, P., Kakar, S., Guruprasad, P., Rao, S. y Goel, A. K. (2024). Jill Watson: A virtual teaching assistant powered by ChatGPT. En A. M. Olney, I.-A. Chounta, Z. Liu, O. C. Santos y I. I. Bittencourt (Eds.), Artificial intelligence in education: 25th International Conference, AIED 2024 (Lecture Notes in Computer Science, vol. 14829, pp. 324-337). Springer. https://doi.org/10.1007/978-3-031-64302-6_23
TI-Hüpe. (2026, 9 de marzo). Estonia launches nationwide AI Leap education program and introduces learning-supportive AI in upper secondary schools. https://tihupe.ee/en/estonia-launches-nationwide-ai-leap-education-program-and-introduces-learning-supportive-ai-in-upper-secondary-schools/
University of Michigan. (2023, 22 de agosto). U-M debuts generative AI services for campus. https://news.umich.edu/u-m-debuts-generative-ai-services-for-campus/
Yan, L., Martinez-Maldonado, R., Jin, Y., Echeverria, V., Milesi, M., Fan, J., Zhao, L., Alfredo, R., Li, X. y Gašević, D. (2025). The effects of generative AI agents and scaffolding on enhancing students' comprehension of visual learning analytics. Computers & Education, 234, Artículo 105322. https://doi.org/10.1016/j.compedu.2025.105322
Zhang, Z., Zhang-Li, D., Yu, J., Gong, L., Zhou, J., Hao, Z., Jiang, J., Cao, J., Liu, H., Liu, Z., Hou, L. y Li, J. (2025). Simulating classroom education with LLM-empowered agents. En Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Vol. 1, pp. 10364-10379). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.naacl-long.520
Los trabajos de Rumble et al. (2026), Simmhan y Kulkarni (2025), López-Goyez et al. (2026), Sargsyan (2025) y Joshi (2026), así como el dato de Element451, se citan a través de Baradziej (2026), donde figuran sus referencias completas. Wang et al. (2024), Kostopoulos et al. (2025), Fan et al. (2025) y Gerlich (2025) se citan a través de Santamaría (2026).