Lo que realmente cambia con la IA agéntica en educación: y por qué el AI Act es parte del problema
Y por qué el AI Act es parte del problema. La IA agéntica no espera a que las instituciones estén listas: cambia la evaluación, el rol docente y la gobernanza.
La IA generativa respondía. La IA agéntica actúa. Ese salto no es un chatbot con más memoria: es un cambio de lógica que deja obsoletas gran parte de las prácticas, las evaluaciones y las estructuras de poder que las instituciones educativas siguen defendiendo bajo el paraguas de la seguridad y la regulación.
De responder a perseguir objetivos
La IA generativa convencional funciona bajo una lógica reactiva: el usuario pregunta, el sistema produce. Texto, explicación, código, rúbrica. Útil, sí. Pero limitada a la ventana de conversación y a la indicación del momento.
La IA agéntica introduce otra cosa: sistemas capaces de mantener un objetivo a lo largo del tiempo, planificar secuencias de acciones, consultar herramientas y sistemas externos, verificar resultados intermedios y ajustar el plan. No esperan a que les pregunten. Actúan hacia una meta.
En educación esto cambia el tablero. Un agente puede detectar que un estudiante acumula errores sistemáticos en un área, consultar su progreso en el LMS, recuperar materiales validados, proponer una secuencia adaptada, ofrecer práctica deliberada y escalar al docente solo cuando hay señales de riesgo real. Eso no es una conversación mejor. Es un flujo de trabajo pedagógico que opera con cierta autonomía bajo supervisión humana.
La diferencia no es de grado. Es de naturaleza.
Personalización que no es un nombre en un PowerPoint
La personalización que venden la mayoría de plataformas sigue siendo estática: perfiles, etiquetas, rutas que en la práctica son el mismo contenido con un barniz de adaptatividad. La promesa de la IA agéntica es distinta: construir y revisar de forma continua una representación del progreso, las dificultades, las estrategias y el ritmo real de cada estudiante, y actuar sobre ella.
No se trata de reducir al alumnado a un conjunto de datos. Se trata de usar información pedagógicamente pertinente, errores recurrentes, patrones de participación, autoevaluaciones y evidencias de proceso, para intervenir en el momento oportuno. La secuencia deja de ser lineal por defecto y puede convertirse en un itinerario con puntos de entrada diferentes, recursos alternativos y refuerzos ajustados.
El valor educativo de un tutor inteligente no está en dar la respuesta correcta. Está en plantear preguntas, ofrecer andamiaje, explicitar estrategias, forzar práctica deliberada y ayudar a que el estudiante entienda por qué se equivocó. La meta no es automatizar la solución. Es fortalecer la autorregulación. Si el agente solo entrega la respuesta, estamos usando una tecnología potente para hacer lo mismo de siempre, solo más rápido.
Evaluación: el elefante que las instituciones no quieren tocar
Si un estudiante puede utilizar agentes para redactar, investigar, programar, sintetizar fuentes o resolver ejercicios complejos, las tareas tradicionales realizadas fuera del aula dejan de acreditar por sí solas competencia individual. Esto no es una amenaza futura. Está ocurriendo ahora. Hay casos documentados de agentes que ya completan cursos enteros en campus virtuales: inician sesión, ven lecciones, entregan trabajos y participan en foros.
La respuesta institucional dominante ha sido la detección de IA y el discurso de la integridad académica. Ambas son insuficientes. Los detectores siguen siendo poco fiables, sesgados y generadores de falsos positivos. Y el problema de fondo no es detectar el uso, sino rediseñar qué se evalúa y cómo.
Un modelo compatible con agentes no consiste en prohibir. Consiste en:
- Tareas auténticas vinculadas a problemas reales, no a ejercicios descontextualizados.
- Hitos intermedios visibles: propuesta, borrador, revisión, justificación, versión final.
- Defensa oral, demostración práctica o diálogo evaluativo.
- Portafolios con evidencias del proceso de trabajo.
- Declaración crítica del uso de IA: qué se usó, para qué, con qué instrucciones y cómo se verificó.
- Uso graduado: actividades donde la IA está permitida, restringida o expresamente requerida según el resultado de aprendizaje.
La evaluación que sigue midiendo solo el producto final en casa está, simplemente, obsoleta. Seguir defendiendo ese modelo no es proteger la calidad. Es proteger una forma de control que ya no funciona.
Este rediseño es el objeto del manual La evaluación del aprendizaje en la Educación Superior en tiempos de la IA, donde desarrollamos el marco Prompt-Driven Assessment y sus doce patrones de actividad, pensados precisamente para diseñar tareas que no se sostienen sobre la prohibición ni sobre la detección. La compra incluye el Rediseñador de actividades, una aplicación para transformar tareas ya existentes. El capítulo 1 puede leerse gratisaquí
.El rol docente: o se mueve o se convierte en gestor de permisos
La narrativa oficial dice que la IA no elimina al profesorado, sino que desplaza su función hacia tareas de mayor valor. Es una frase cómoda. En la práctica, muchas instituciones están usando la regulación y el miedo al riesgo para no mover nada sustancial: ni metodologías, ni evaluación, ni distribución de tiempo docente, ni estructuras de poder sobre el conocimiento.
Los agentes pueden asumir, con distintos grados de supervisión, generación inicial de materiales, alineación de resultados de aprendizaje con actividades y criterios, atención de preguntas frecuentes, organización de recursos, análisis de participación y borradores de retroalimentación. Eso libera tiempo. Pero solo tiene valor pedagógico si ese tiempo se usa para lo que la tecnología no puede hacer de forma responsable: crear relación educativa, interpretar situaciones complejas, acompañar trayectorias, atender diversidad real y ejercer juicio ético.
El riesgo no es que la IA sustituya al docente. El riesgo es que el docente se quede atrapado en el papel de supervisor de sistemas y validador de resultados mientras las decisiones metodológicas reales siguen sin tocarse. Las instituciones que más hablan de human in the loop suelen ser las que menos están dispuestas a rediseñar el bucle.
De herramientas aisladas a ecosistemas, y por qué las instituciones lo temen
El cambio más profundo no está en un agente suelto. Está en la posibilidad de ecosistemas multiagente: uno recupera información curricular, otro analiza progreso, otro propone recursos, otro ayuda al docente a revisar actividades, otro registra trazabilidad. Dimensiones que hoy viven en silos, enseñanza, orientación, administración, evaluación, analítica y apoyo al estudiante, pueden empezar a conectarse.
Eso reduce fricción. También reduce el control discrecional de cada unidad sobre su información y su proceso. Por eso la resistencia no es solo técnica ni ética. Es organizativa. Integrar de verdad implica decidir qué datos se comparten, con qué finalidad y bajo qué criterios pedagógicos, no solo de cumplimiento normativo.
Inclusión: criterio de diseño, no función añadida
La IA agéntica puede ampliar posibilidades de inclusión si se diseña desde accesibilidad y Diseño Universal para el Aprendizaje: apoyos multimodales, simplificación lingüística, estructuración de tareas, adaptaciones de formato, práctica adicional y andamiajes para funciones ejecutivas.
Pero esas intervenciones no pueden basarse en inferencias automatizadas no verificadas ni sustituir la valoración profesional. Y, sobre todo, no pueden convertirse en la excusa para retrasar el despliegue de capacidades que ya son útiles. La inclusión como lista de comprobación de cumplimiento es otra forma de inercia.
Alfabetización agéntica: dirigir, no solo consumir
Saber escribir indicaciones ya no es suficiente. El alumnado necesita entender la diferencia entre asistente, flujo automatizado, agente y sistema multiagente. Necesita aprender a formular objetivos claros, establecer restricciones, verificar fuentes y resultados, documentar el uso y asumir responsabilidad sobre la decisión final.
La competencia relevante no es usar IA. Es trabajar con IA sin delegar el juicio. Formar personas capaces de dirigir y cuestionar agentes, no solo de consumir sus resultados. Eso exige práctica deliberada, no talleres de buenas prácticas que se olvidan a la semana.
El AI Act como síntoma, no como solución
El Reglamento europeo de Inteligencia Artificial clasifica como de alto riesgo determinados sistemas usados para evaluar resultados de aprendizaje, decidir acceso o admisión y asignar personas a programas formativos. La intención es proteger derechos. El efecto práctico, en muchos centros, está siendo el contrario: retrasar experimentación, convertir cualquier innovación evaluativa en un problema de cumplimiento y reforzar la idea de que mejor no tocar.
Clasificar de forma amplia la evaluación de resultados de aprendizaje como alto riesgo, sin matices suficientes sobre el grado de autonomía del sistema y el papel real de la supervisión humana, produce un efecto de enfriamiento. Mientras tanto, los estudiantes ya usan agentes fuera del control institucional. La regulación llega tarde a la práctica real y, cuando llega, lo hace con un sesgo hacia la precaución que favorece el statu quo.
Los retrasos introducidos por el Ómnibus digital, que desplaza las obligaciones de alto riesgo del anexo III al 2 de diciembre de 2027, no corrigen el diseño de base. Solo aplazan. El problema no es que exista regulación. El problema es una regulación que, en el ámbito educativo, prioriza la minimización de riesgos percibidos sobre la construcción de capacidad institucional para usar estas herramientas con criterio. El resultado es previsible: Europa habla mucho de IA fiable mientras otros entornos avanzan más rápido en la experimentación pedagógica real.
Una hoja de ruta que no sea otro documento de riesgos
Empezar por proyectos pequeños y de bajo riesgo es razonable. Convertirlo en la única estrategia es una forma de no moverse. Una secuencia más útil:
- Identificar un problema pedagógico o administrativo concreto, no una herramienta de moda.
- Delimitar con precisión la tarea, los datos autorizados y las acciones que el agente puede ejecutar.
- Diseñar fuentes fiables, con recuperación aumentada por generación sobre materiales institucionales y criterios docentes claros.
- Establecer supervisión humana real, trazabilidad y criterios de escalado, no solo revisión formal.
- Pilotar con grupos reducidos y medir aprendizaje, carga de trabajo, inclusión y percepción.
- Revisar errores, sesgos y costes antes de escalar.
- Formar a profesorado y estudiantes en uso crítico y dirección de agentes, no solo en uso responsable genérico.
Lo que no puede seguir ocurriendo es que las instituciones se instalen en el discurso de los riesgos mientras el aprendizaje real, el de los estudiantes que ya delegan tareas complejas a agentes, ocurre fuera de ellas. Eso no protege la educación. La vacía de relevancia.
Conclusión
La IA agéntica cambia la educación porque introduce sistemas capaces de actuar sobre procesos, no solo de generar contenidos. Su impacto puede ser relevante en personalización, retroalimentación, inclusión, diseño docente y coordinación institucional. Pero solo si se orienta hacia fines pedagógicos explícitos y si las instituciones aceptan que tienen que cambiar metodologías, evaluación y estructuras, no solo comprar herramientas o redactar políticas de uso.
El reto no es automatizar la educación. Es aumentar su capacidad de acompañar, comprender y formar. Los centros que mejor aprovechen esta transformación no serán los que acumulen más agentes ni los que mejor citen el AI Act. Serán los que combinen experimentación real, evaluación auténtica, autonomía estudiantil, profesionalidad docente y una gobernanza que no confunda precaución con parálisis.
La IA agéntica no va a esperar a que las instituciones estén listas. Ya está aquí. ¿Va la educación a liderar el cambio o va a limitarse a intentar domesticarlo cuando ya sea demasiado tarde?