Más autonomía no significa mejor educación: cinco niveles para decidir qué puede hacer un agente

Un agente puede funcionar sin fallos técnicos y perjudicar el aprendizaje. Basta con que resuelva aquello que el estudiante necesitaba afrontar para aprender. Antes de configurarlo conviene formular una pregunta menos vistosa que cualquier demostración tecnológica: ¿cuánta autonomía debería tener en esta tarea, con estos estudiantes y bajo qué supervisión?

El marco de autonomía pedagógicamente restringida, abreviado APR, intenta convertir esa pregunta en una decisión explícita. Lo formulamos en el capítulo 7 de IA agéntica en educación superior y lo desarrollamos como instrumento de trabajo en el anexo B. Su punto de partida es sencillo: la capacidad técnica de un sistema no determina por sí sola la autonomía que conviene concederle.

APR no es un estándar reconocido ni una escala certificada. Es una propuesta de diseño relacionada con la tradición que gradúa la interacción entre personas y automatización y con modelos educativos de control compartido. Su utilidad como herramienta de reflexión es emergente; demostrar que asignar niveles APR mejora el aprendizaje continúa siendo una hipótesis que necesita validación empírica comparada.

Dos maneras de equivocarse

La autonomía excesiva concentra casi toda la atención. Un agente con demasiada capacidad de decisión puede responder con aparente autoridad, reforzar estrategias superficiales o sustituir procesos cognitivos que el estudiante todavía necesita desarrollar.

El extremo contrario también tiene costes. Un agente que solo contesta preguntas cerradas y requiere intervención docente en cada paso apenas aporta las ventajas que justificaban su despliegue. Los dos extremos comparten el mismo origen: la autonomía se fijó sin un criterio pedagógico declarado.

En educación debemos proteger la seguridad, pero también el esfuerzo cognitivo que forma. Un sistema puede operar de manera segura y causar un daño pedagógico si elimina la dificultad que sostenía el aprendizaje. La madurez se demuestra eligiendo un nivel bajo cuando el contexto lo exige, no alcanzando el alto porque la tecnología lo permite.

Cinco niveles, no cinco peldaños de calidad

El marco va desde la asistencia puntual bajo supervisión directa hasta la autonomía excepcional en dominios muy acotados. La numeración permite comparar configuraciones, pero no describe una carrera ascendente.

APR-4 no es la culminación deseable. Es una configuración excepcional. Cuando una actividad afecta a una competencia central, implica consecuencias relevantes o carece de revisión humana efectiva, un nivel bajo puede ser la decisión más responsable.

Las cuatro preguntas del docente orquestador

1. ¿Qué competencias no pueden delegarse sin una pérdida pedagógica irreparable?
2. ¿Qué nivel de autorregulación tienen estos estudiantes en este contexto?
3. ¿Qué riesgos específicos aparecen si el agente se equivoca?
4. ¿Qué mecanismos de revisión humana están disponibles y son realmente accesibles?

La primera pregunta fija el techo. En escritura académica, el sistema puede localizar incoherencias o plantear preguntas, pero delegar la formulación de la tesis puede eliminar el proceso intelectual que se pretende evaluar. La segunda introduce la aportación central del marco: la autonomía del agente debe calibrarse en relación con la autonomía del estudiante. Una configuración adecuada para una doctoranda con experiencia puede ser contraproducente para un estudiante de primer curso.

El anexo B propone un techo orientativo: APR-0 o APR-1 para autorregulación incipiente; APR-1 o APR-2 cuando está en desarrollo; APR-2 cuando está consolidada; y APR-3 para perfiles expertos, con APR-4 reservado a casos excepcionales. El perfil no determina por sí solo el nivel: debe cruzarse con la competencia, el riesgo y la revisión disponible.

Ejemplo hipotético: retroalimentación en primer curso

Imaginemos una asignatura inicial de estadística. El objetivo no consiste únicamente en obtener el resultado, sino en seleccionar el procedimiento, interpretar el error y explicar el razonamiento. Esas son competencias no delegables; el alumnado aún desarrolla autorregulación y el docente puede revisar muestras de las conversaciones.

Una hipótesis razonable sería APR-1 o un APR-2 muy acotado: el agente plantea preguntas, ofrece pistas graduales y detecta patrones de error, pero no entrega la estrategia completa antes de que el estudiante lo intente ni decide por sí solo que una competencia está dominada. El ejemplo no demuestra que ese nivel produzca mejores resultados. Muestra cómo documentar una decisión para pilotarla, observarla y revisarla.

Cuándo debe desaparecer el agente

Graduar la autonomía mientras el sistema está presente no resuelve todas las situaciones. Algunas actividades necesitan periodos sin agente. En el libro denominamos a esta decisión desconexión agéntica programada. Conviene reservar espacios para recuperar, sintetizar, argumentar o decidir sin asistencia: evaluaciones de alta consecuencia, defensas orales, debates en tiempo real, reflexiones personales o ejercicios de síntesis pueden requerirlos.

Una auditoría que puede hacerse en cinco minutos

1. Escriba qué debe aprender el estudiante y qué acción demostraría ese aprendizaje.
2. Subraye el proceso cognitivo que no puede delegarse sin vaciar la actividad.
3. Describa la autorregulación real del grupo.
4. Anote la consecuencia más seria de un error y quién puede detectarlo.
5. Asigne un nivel provisional, defina cuándo interviene una persona y señale si hace falta desconexión.

Si el nivel resultante es más bajo que el permitido por la herramienta, el marco ha cumplido su primera función: separar capacidad de conveniencia. Si no puede describirse una revisión humana accesible, todavía no existe una configuración responsable para un nivel alto.

Referencias citadas

1. Bjork, E. L., y Bjork, R. A. (2011). Making things hard on yourself, but in a good way. En Psychology and the real world. Worth.
2. Gerlich, M. (2025). AI tools in society. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
3. Molenaar, I. (2022). Towards hybrid human-AI learning technologies. European Journal of Education, 57(4), 632–645.
4. Parasuraman, R., Sheridan, T. B., y Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions, 30(3), 286–297.
5. Sheridan, T. B., y Verplank, W. L. (1978). Human and computer control of undersea teleoperators. MIT.
6. Sparrow, B., Liu, J., y Wegner, D. M. (2011). Google effects on memory. Science, 333(6043), 776–778.