El agentivismo: una teoría del aprendizaje para la era de la IA

Cuando analizamos esta propuesta por primera vez, era una prepublicación en arXiv. Ya no lo es. El artículo se publicó el 22 de septiembre de 2026 en Computers and Education: Artificial Intelligence, en acceso abierto y con revisión por pares completa. Ese cambio importa. El Agentivism deja de ser una propuesta en el aire y pasa a ser una teoría contrastable con aval editorial, lo que la sitúa en otro nivel dentro del mapa que venimos trazando.

Sus autores son Lixiang Yan, profesor de la Escuela de Educación de la Universidad Tsinghua, y Dragan Gašević, de la Universidad de Hong Kong. La pregunta de la que parten es corta: ¿qué significa aprender cuando la IA puede hacer cada vez más parte de la tarea por nosotros?

El problema que nombran

Las teorías del aprendizaje han cambiado siempre que cambiaron las condiciones de aprender. El conductismo nació buscando relaciones estables entre entorno y conducta. El cognitivismo desplazó la atención hacia la memoria y el procesamiento. El constructivismo situó el aprendizaje en la construcción activa de significado. El conectivismo respondió a un mundo donde saber dependía de navegar redes distribuidas.

La IA generativa y agéntica crean otra condición nueva. No solo cambian el acceso al conocimiento. Cambian la facilidad con la que ese conocimiento se convierte en rendimiento. Y de ahí sale el problema central para cualquier teoría del aprendizaje: el éxito en la tarea ya no puede tomarse como prueba de que alguien ha aprendido.

La arquitectura: de la asistencia a la capacidad

El modelo se lee como una tubería. A la izquierda, el rendimiento asistido. A la derecha, la capacidad humana duradera. En medio, cuatro mecanismos que pueden convertir lo primero en lo segundo, o no hacerlo.

Conviene fijarse en un detalle que el artículo subraya y que muchas lecturas apresuradas pasan por alto. Los cuatro mecanismos no cumplen la misma función. El primero describe cómo se distribuye la influencia. El segundo y el tercero son procesos de aprendizaje. El cuarto es la evidencia de que hubo aprendizaje. Y los autores advierten que la supervisión y la reconstrucción pueden repetirse en ciclos, en lugar de seguir un orden fijo.

Qué explican las teorías clásicas y dónde se paran

El artículo no destruye nada. Reordena. Ninguna tradición queda invalidada, todas quedan reubicadas alrededor de un problema que no fueron diseñadas para resolver.

Cuatro cambios de condición

¿Por qué haría falta una teoría nueva? Los autores identifican cuatro transformaciones. Las resumimos en frases cortas, porque su fuerza está en el conjunto.

• El conocimiento se ha vuelto movilizable. Los buscadores hicieron la información localizable. La IA generativa la vuelve utilizable de inmediato. La variable decisiva ya no es el acceso, sino qué ocurre cuando el conocimiento externo se convierte en rendimiento casi sin demora.
• La influencia se distribuye de forma dinámica. Partes de la planificación, la redacción, la explicación y la evaluación pueden delegarse a sistemas que responden de manera contingente. La teoría debe explicar, además de la autorregulación, la regulación de la delegación: qué se conserva, qué se cede y qué se recupera después.
• Rendimiento y aprendizaje se separan. Siempre fue posible aparentar más de lo aprendido. La IA lo escala, lo acelera y lo normaliza en tareas cotidianas.
• La confianza epistémica pasa al centro. Los modelos reorganizan material cultural acumulado y reflejan sus patrones dominantes y sus ausencias. Calibrar la confianza deja de ser periférico y pasa a formar parte del mecanismo por el que la capacidad se fortalece o se vacía.

Seis proposiciones que se pueden refutar

Como teoría de rango medio, el Agentivism se compromete con predicciones. Esta es la parte que más valoramos, porque distingue una teoría en construcción de una etiqueta bien puesta.

Lo que más nos convence: la tabla de refutación

El artículo publicado incorpora algo poco frecuente. Junto a cada proposición, los autores especifican qué evidencia la dejaría en mal lugar. No se limitan a decir cómo comprobar que tienen razón. Dicen cómo demostrar que se equivocan.

Consecuencias para la investigación

Hay una implicación inmediata y muy concreta. Los estudios sobre aprendizaje con IA deberían dejar de tratar el uso de IA como una condición única de tratamiento. Dar respuestas, ofrecer pistas, criticar borradores, recuperar evidencias o sostener un razonamiento paso a paso no son variantes de implementación. Son arreglos distintos, que cambian el alcance de la delegación y la probabilidad de que alguien reconstruya lo recibido.

Dicho de otro modo: comparar grupo con IA y grupo sin IA ha dejado de ser informativo. Lo que hay que medir es el proceso.

Consecuencias para la enseñanza y la evaluación

Aquí aparece el principio que consideramos más útil de todo el artículo, y que no estaba con esta claridad en la versión previa. El valor educativo de delegar depende de la relación entre la función que se delega y la capacidad que la actividad pretende desarrollar.

De ahí se sigue una orientación sencilla para el diseño. No se trata de eliminar la ayuda. Se trata de que la ayuda no sustituya el papel de la persona como autora, evaluadora y explicadora. En escritura, en indagación y en resolución de problemas, el criterio es el mismo.

Para la evaluación, la consecuencia es que el producto final resulta cada vez menos suficiente. Una evaluación válida necesita evidencia del proceso: patrones de revisión, justificación, comprobación de fuentes y aquello que la persona puede reproducir o adaptar después con menos ayuda. Los autores añaden una precisión que conviene retener: las trazas importan como forma de recuperar la distinción entre rendimiento asistido y capacidad duradera, no como vigilancia.

Lo que los autores reconocen que falta

La sección de límites es franca, y eso da confianza. Señalan tres frentes abiertos.

La operacionalización. Los cuatro constructos son distintos en el plano teórico, pero ningún método único los capturará bien. Harán falta trazas, análisis del discurso, medidas diferidas y diseños mixtos. Sin mejores modelos de medida, la teoría corre el riesgo de quedarse en un vocabulario persuasivo.

La variación entre contextos. Lo que cuenta como delegación productiva en escritura novel puede no valer en programación avanzada, en indagación científica o en decisión profesional. Y quienes parten de distinto conocimiento previo no se benefician igual del mismo arreglo.

La escala temporal. Este es el punto más serio, y los autores lo admiten. Casi toda la evidencia disponible viene de tareas cortas. Su predicción más fuerte, la P6, sigue siendo más plausible que establecida. Solo la investigación longitudinal podrá confirmarla.

Qué añade a nuestro marco

La cercanía con el marco ADHIA es evidente y la declaramos sin rodeos. Ambas construcciones beben de la misma evidencia y de fuentes compartidas. Hay convergencia casi literal en el control epistémico, en la apropiación reconstructiva y en la transferencia con apoyo reducido.

La diferencia principal sigue estando en el perímetro. El Agentivism es, por decisión de sus autores, una teoría centrada en la persona que aprende. El diseño pedagógico, la evaluación, la gobernanza y la inclusión aparecen como condiciones que moldean los procesos, no como parte de la teoría. Nosotros las mantenemos dentro del marco, en la séptima dimensión, porque consideramos que la responsabilidad y la equidad no son contexto sino sustancia.

Dicho esto, la versión publicada ha reducido esa distancia. Incorpora la diversidad epistémica como problema de aprendizaje y no solo de justicia. Y advierte que apoyarse una y otra vez en los mismos sistemas puede estrechar las fuentes, los encuadres y las preguntas que alguien llega a encontrar.

Nota de alcance. Esta versión sustituye al análisis anterior, que se apoyaba en la prepublicación de arXiv. El artículo se recibió el 7 de julio de 2026, se revisó el 19 de septiembre, se aceptó ese mismo día y apareció en línea el 22 de septiembre de 2026, en acceso abierto con licencia CC BY-NC-ND. Los contenidos aquí expuestos proceden del texto publicado.
Cita sugerida: Santamaría, F. (2026). Agentivism: una teoría del aprendizaje para la era de la IA (versión revisada). IAforTeachers.