Agentes autónomos en la universidad: qué delegamos, qué aprendemos y qué trabajo nos queda

Me preocupa una cosa de cómo estamos hablando de los agentes. Hemos empezado a llamar agente a sistemas que se parecen poco entre sí. Ya pasó antes. Ocurrió con el aprendizaje virtual, con la educación a distancia, con el aprendizaje distribuido y, hace nada, con los asistentes de inteligencia artificial.

Adoptamos una palabra nueva, casi siempre venida del desarrollo tecnológico o del mundo de la empresa, antes de haber delimitado qué propiedades justifican ese nombre. Y, sobre todo, antes de preguntarnos qué consecuencias tiene en un aula concreta.

La distinción importa. Un sistema que redacta un texto cuando se lo pides no tiene la misma arquitectura que otro que entra en un repositorio, compara documentos, modifica archivos y deja registro de lo que hizo. Los dos usan modelos extensos de lenguaje (LLM). Pero no son lo mismo.

IA agéntica

en educación superior

Manual universitario · Editorial IAforTeachers

Fernando Santamaría

El manual que amplía este artículo

IA agéntica en educación superior

En este manual desarrollo los fundamentos, las propiedades y las arquitecturas de estos sistemas, su relación con el diseño pedagógico y las cuestiones de gobernanza que empiezan a asomar en la universidad. La intención es conectar el análisis tecnológico con los problemas reales de la educación superior, sin reducirlo a una colección de herramientas y automatizaciones.

Acceder al manual Cupón COBO30: 12 € (antes 18 €)

Oferta sujeta a vigencia. Más información en la web del libro.

Comprobé algo de esto de la manera más prosaica posible. Conduciendo. Le pedí por voz a un agente que buscara publicaciones recientes sobre el uso de estos sistemas en la universidad. Localizó fuentes, examinó documentos, trazó algunas relaciones entre ellos y me preparó un borrador que luego pude escuchar. Parecía todo resuelto. Hasta que le pedí que verificara las referencias. Una no existía y hubo que retirarla. Otras obligaron a rebajar afirmaciones, porque las fuentes no sostenían lo que el texto les había hecho decir.

La tarea avanzó mientras yo estaba ocupado en otra cosa, cierto. Pero el episodio dejó un problema de más fondo que el ahorro de tiempo: cuando la ejecución es autónoma, crece la distancia entre el instante en que nace un error y el instante en que uno está en condiciones de verlo.

Dentro de los ecosistemas digitales universitarios, esto toca al diseño instruccional, a la gestión de los entornos virtuales, a las arquitecturas de información, a la evaluación y a la propia organización del trabajo académico. Por eso prefiero mirar los agentes desde varios ángulos, y no solo desde el catálogo de tareas que prometen automatizar.

1 · DistincionesDel asistente al agente: cuatro cosas que no conviene mezclar

Con los asistentes conversacionales que venimos usando estos años, el que encadena las operaciones es uno mismo. Preguntas, lees la respuesta, subes un documento, pides una corrección, vuelves a preguntar. Un agente puede quedarse con una parte de ese encadenamiento y sostener un ciclo de planificar, actuar, observar y reajustar, siempre dentro de la configuración que le hayas dado. Nada de esto significa que entienda de pedagogía como un profesor. Ni que una decisión suya sea buena por el mero hecho de haberla tomado solo.

Vale la pena separar cuatro términos que suelen aparecer revueltos. Cada peldaño delega en la máquina algo más del encadenamiento:

La diferencia no es solo técnica. En un sistema multiagente las tareas se reparten como una red de funciones: uno recupera información, otro estructura un material, otro comprueba criterios, otro revisa documentos. La imagen sirve para entender la arquitectura. Lo que no conviene es confundirla con la cognición distribuida en sentido teórico, ni atribuirle a esa red de agentes las propiedades de una comunidad humana que aprende. Los agentes se pasan información y fabrican artefactos compartidos. La construcción social de significados, la negociación de criterios, la responsabilidad sobre lo que se enseña y lo que se aprende, es otra cosa.

Y esto me interesa para la universidad. Si desde las teorías del aprendizaje llevamos tiempo hablando de redes, de distribución de recursos, de mediación tecnológica y de aprendizaje situado, ahora aparecen sistemas que no se limitan a guardar o repartir contenidos. Intervienen en operaciones que hasta hace poco hacíamos nosotros: seleccionar documentos, ordenarlos, proponer itinerarios, construir objetos de aprendizaje, revisar si un material encaja con la guía docente.

Es una lectura pedagógica de lo que puede venir, no un resultado experimental probado universidad por universidad.

2 · Diseño instruccionalEl diseño instruccional, de repente, con agentes dentro

El sitio más visible es el diseño de asignaturas y materiales. En marzo de 2026 Instructure presentó IgniteAI Agent dentro de Canvas, con funciones para elaborar rúbricas, revisar debates y comprobar la alineación de contenidos. El reportaje de Palmer (2026b) recoge una decisión deliberada de sus responsables: poner límites para que no se automatice del todo la calificación. Esa frontera me parece reveladora. Admite, sin decirlo, que no todas las actividades académicas son operaciones administrativas de la misma clase.

Un caso de investigación más desarrollado es el de Yao et al. (2025). Proponen Instructional Agents, un sistema multiagente de diseño instruccional donde los papeles funcionales imitan los de una estructura académica: profesorado, especialistas en diseño, ayudantes, figuras de coordinación. El sistema produce objetivos de aprendizaje, programas, diapositivas, guiones y evaluaciones. Lo probaron en cinco asignaturas universitarias de informática y compararon varias formas de intervención docente.

Y aquí viene lo que no esperaba quien busque el ahorro máximo.

O sea: quitar toda intervención humana no dio el mejor material. El grado de participación del docente movía la calidad de lo producido.

Vuelve entonces una pregunta que ya me hice al revisar quince usos documentados de la IA agéntica en la universidad. ¿Estamos midiendo sistemas que fabrican más recursos, o procesos que producen mejores aprendizajes? Una guía coherente, una presentación bien armada o una rúbrica con criterios correctos sirven para preparar la enseñanza. No son, por sí solas, evidencia de que alguien haya aprendido. Para saberlo habría que mirar cómo se usan esos materiales en el aula, qué decisiones cambian, qué dificultades ayudan a resolver y cuánta autorregulación despiertan en el estudiante.

Me gustaría ver estos sistemas puestos a dialogar con los modelos de diseño instruccional y con las metodologías activas. Un agente puede revisar la correspondencia entre resultados de aprendizaje, actividades y evaluación. Otro puede sugerir materiales complementarios. Un tercero quizá detecte contradicciones entre criterios. ¿Y el contexto? ¿Y la experiencia previa del alumnado, los aprendizajes informales, lo que emerge a mitad de una actividad colaborativa y nadie había previsto? Esas dimensiones apenas caben en una arquitectura cuyo indicador principal es cuántos materiales produce.

3 · Infraestructura y permisosLa autonomía fuera de la pantalla

Hay otra característica que empieza a pesar: poder lanzar una tarea, irse y volver más tarde, incluso desde otro aparato. En Claude Code, por ejemplo, las sesiones no funcionan todas igual. La documentación de Anthropic sobre su uso desde el móvil separa las sesiones que trabajan en la nube de las que dependen de un ordenador local por control remoto. En las primeras, el proceso sigue aunque cierres el portátil. En las segundas, el ordenador donde se ejecuta tiene que quedarse encendido. El móvil es la ventana desde la que miras y gobiernas lo que pasa. No es donde se hace el trabajo.

Estas diferencias tienen consecuencias que casi nunca se nombran. No es igual tener una sesión atada a tus archivos locales que dar permiso a un sistema remoto para hurgar en un repositorio de documentos. No es igual mantener diez tareas a la vez que llevar una sola con criterios de comprobación bien puestos. Y la disponibilidad de funciones depende además del plan contratado y de cómo esté configurado el servicio. La autonomía, al final, necesita una infraestructura concreta y unas condiciones de acceso que más vale documentar antes de meterlas en un proceso universitario.

Pongamos un caso cercano. Un profesor que lleva varios módulos en un entorno virtual le pide a un agente que revise la coherencia de las fechas, localice enlaces caídos y prepare una propuesta de actualización bibliográfica. Son tres cosas, no una. Y no deberían tener los mismos permisos.

De ahí que, en un ecosistema universitario conectado, el agente deba traer definido desde el principio qué puede leer, qué puede extraer, qué debe limitarse a proponer y qué exige una autorización expresa. Y que registre las fuentes que consultó y los cambios que sugirió, para poder reconstruir el camino. Un agente que entrega un resultado sin decir de dónde salen sus datos ahorra tiempo en la primera lectura y lo devuelve, con intereses, en la comprobación posterior.

4 · RiesgosLos errores ya no vienen solos

Meter herramientas de consulta y de escritura cambia la naturaleza de un riesgo que ya conocíamos. En una conversación detectas una referencia mal puesta dentro de una respuesta acotada. En un agente, esa misma referencia puede colarse en la operación siguiente y volverse el punto de partida de todo lo demás.

Cada paso hereda el fallo del anterior. Al final de la cadena ya nadie recuerda de dónde salía el dato.

El problema no es solo que el modelo se equivoque. Es que la cadena de acciones convierte un fallo inicial en una premisa de trabajo que nadie ha vuelto a mirar. Hablo de una consecuencia lógica del encadenamiento, no de una frecuencia de error que pueda atribuir a las aulas sin estudios que lo midan. Haría falta investigar dos cosas distintas: los fallos que se detectan y los que sobreviven a las etapas de comprobación. Y distinguir entre tareas documentales, administrativas y pedagógicas, porque no toda equivocación pesa lo mismo ni pide la misma vigilancia.

Hay un segundo riesgo, de seguridad, que aparece cuando el agente lee información externa con instrucciones escondidas para alterar su comportamiento. Es la llamada inyección de instrucciones (prompt injection). Shadwell y Spânu (2026) lo plantean desde el diseño: necesitamos agentes capaces de sostener sus límites cuando se topan con contenido en el que no se puede confiar. En un campus virtual es fácil de imaginar.

La lección es doble. Por un lado hacen falta mecanismos técnicos: aislamiento, permisos diferenciados, confirmación antes de cualquier acción sensible. Por otro, hay que formar al profesorado en una alfabetización sobre cómo actúan estos sistemas, que vaya más allá de escribir buenas indicaciones. Saber preguntar no es lo mismo que entender qué puede ejecutar una herramienta, cómo usa la información de terceros o qué rastro deja cada operación.

Esto enlaza con la gobernanza del dato, la privacidad y la integridad académica. Pero también con una pregunta más incómoda, casi epistemológica: ¿cómo sabemos lo que sabemos cuando una parte creciente de la búsqueda, la selección y la transformación del conocimiento la hace un sistema que actúa en nuestro nombre? De dónde viene una fuente, cómo la interpreta el agente y la decisión final de incorporarla a una actividad no son momentos intercambiables. Si queremos que la tecnología amplíe nuestra capacidad docente en vez de enturbiar nuestras decisiones, conviene mantenerlos separados.

5 · EvaluaciónEvaluar cuando el estudiante también trae su agente

La evaluación es donde más chirría la autonomía de los agentes. El informe de Bent et al. (2025) sobre usos de Claude en educación superior analizó unas 74.000 conversaciones anonimizadas de profesionales universitarios.

Lo que me llama la atención es la brecha. Un uso observado por un lado, y por otro las reservas pedagógicas que los propios docentes expresan. Con los agentes autónomos la brecha puede crecer, porque evaluar dejaría de ser un acto suelto para integrarse en un flujo largo: recibir la entrega, contrastarla con los criterios, redactar los comentarios y, si hay permisos de escritura, tocar un registro del campus. Que una arquitectura sea capaz de completar el proceso entero no demuestra que deba hacerlo entero.

Y el alumnado también tiene agentes. El episodio de Einstein, presentado en febrero de 2026 como una herramienta capaz de entrar en Canvas, leer los materiales y completar las tareas, enseña hasta dónde llega esto. El proyecto dejó de estar disponible tras recibir requerimientos de cese, según contó Palmer (2026a). Más allá del caso concreto, la discusión que planteó la Modern Language Association sobre un circuito cerrado de actividades, entregas y correcciones da en la diana: una plataforma puede registrar que se entregó una tarea, y otra herramienta puede evaluarla, sin que ninguno de los dos hechos pruebe que alguien aprendió algo.

Aquí entran la autorregulación, la metacognición y la evaluación auténtica. Si el estudiante delega la construcción entera de una respuesta, se evaporan las ocasiones de notar una duda, buscar una estrategia, contrastar argumentos, reconocer un error propio. Ahora bien, no vale decir que cualquier uso de agentes anula el aprendizaje. Un estudiante que configura un sistema para rastrear antecedentes, examina las fuentes, discute sus contradicciones y justifica lo que decidió puede estar desarrollando habilidades distintas de quien se limita a entregar lo que la máquina escupió. La pregunta de verdad es qué procesos cognitivos se mantienen, cuáles se transforman y cuáles se van fuera de lo que podemos observar.

Trasladado a un diseño de evaluación, esto empuja hacia actividades que valoren las decisiones y las relaciones entre sus etapas. Por ejemplo:

No digo que todo deba resolverse con exámenes orales ni con bloqueos tecnológicos. Digo que necesitamos instrumentos capaces de reconocer el aprendizaje cuando el conocimiento y las herramientas están repartidos entre personas, plataformas y agentes.

6 · InstituciónLo institucional: eficiencia, profesorado y una dependencia nueva

En el discurso de los proveedores, el agente llega envuelto en productividad. Menos tiempo preparando materiales, menos operaciones repetitivas, más margen para atender lo individual. Son posibilidades reales, y merecen explorarse, sobre todo allí donde el diseño instruccional cuenta con pocos recursos. Pero el tiempo que se libera no se transforma solo en mejor atención educativa.

Palmer (2026b) recoge este temor al hilo del agente de Canvas. En la misma línea, la cobertura del informe de OBS Business School publicada por Iberoeconomía (2026) habla de riesgos de desprofesionalización y de una apariencia de dominio de los contenidos que no viene acompañada de comprensión. Esa cobertura menciona también una estimación de ahorro de tiempo en corrección. Como no identifica con claridad la investigación primaria que la sostiene, prefiero no tratarla como un dato generalizable.

La universidad tendrá que decidir qué entiende por mejorar el trabajo docente. Si lo mide en número de documentos producidos, de actividades publicadas, de respuestas generadas, el agente parecerá la solución inmediata. Si lo que cuenta es la comunidad que aprende, la calidad de la interacción, el acompañamiento de trayectorias que no son iguales y la responsabilidad institucional ante una decisión académica, los criterios cambian de golpe. El agente opera dentro de un tecnosistema de relaciones, normas, recursos y actores. No se puede juzgar al margen de ese tejido.

Añadiría un riesgo del que se habla poco: ir perdiendo el conocimiento práctico sobre aquello que automatizamos. Cuando un profesor pasa mucho tiempo sin revisar la estructura de sus rúbricas, el modo en que elige las referencias o la coherencia de sus secuencias didácticas, puede ir perdiendo familiaridad con los criterios que sostienen esas tareas. No afirmo que esté demostrado para la IA agéntica en las universidades. Lo dejo como hipótesis de trabajo, para estudiarla junto a la dependencia tecnológica, el mantenimiento de las competencias profesionales y la capacidad de intervenir el día en que la automatización deja de funcionar.

7 · Líneas abiertasAlgunas líneas, sin pretensión de cerrar nada

Se puede empezar por lo delimitado. Organizar materiales, revisar enlaces, localizar incoherencias documentales, preparar borradores. Siempre que uno pueda comprobar lo hecho y revertir los cambios. En lo que toca a calificaciones, datos personales, retroalimentación definitiva o comunicaciones delicadas, la presencia humana no puede reducirse a firmar una autorización sin leer lo que firma.

¿Hacia dónde mirar para que los ecosistemas universitarios de IA agéntica no se queden en pura automatización de trámites? Veo cinco frentes, entrelazados.

No vamos a responderlas con demostraciones de producto. Harán falta experiencias documentadas, investigación educativa, discusión institucional y, sobre todo, revisar qué seguimos considerando una actividad de aprendizaje que valga la pena. El agente autónomo puede llegar a ser una pieza seria de los ecosistemas digitales universitarios. Lo que decida su valor será cómo lo insertemos en la organización pedagógica y social de la universidad, qué límites le pongamos y qué tipo de relaciones ayude a crecer.

Y vuelvo a la carretera. Encargué una búsqueda mientras conducía y la tarea avanzó sin mí. Pero contrastar las fuentes, interpretar lo encontrado y decidir qué merecía publicarse seguía esperándome, intacto, al llegar. Puede que la autonomía de los agentes vaya corriendo esa frontera. Lo que todavía no sé, y me gustaría averiguar, es si esa transformación aumentará de verdad nuestra capacidad de enseñar y de aprender. Y bajo qué condiciones.

FuentesReferencias