¿Qué dice realmente la OCDE sobre la IA generativa en educación?

Llevamos meses escuchando el mismo relato, y conviene reconocerlo: se ha vuelto predecible. La IA generativa va a transformar la educación. Hay quien lo dice con entusiasmo casi mesiánico y quien lo repite con resignación. Pero entre el entusiasmo y la resignación queda un territorio que rara vez se transita: el de la evidencia empírica rigurosa.

El OECD Digital Education Outlook 2026, publicado en enero de este año, ocupa precisamente ese territorio. Y lo que encuentra no es cómodo para nadie: ni para los tecnófilos que dan por sentado que cualquier uso de IA mejora el aprendizaje, ni para los escépticos que prefieren prohibir antes que diseñar.

Estamos hablando de 247 páginas, 13 capítulos, evidencia de 38 países y contribuciones de investigadores de una docena de instituciones. No es un manifiesto tecnológico ni una guía de herramientas. Es, probablemente, la síntesis más completa que existe sobre qué sabemos y qué no sabemos acerca de la IA generativa en contextos educativos.

He completado la traducción íntegra al español de los 13 capítulos, con diseño editorial profesional y terminología adaptada a las normas RAE. Este artículo ofrece una lectura guiada para quienes diseñamos experiencias de aprendizaje en educación superior.

La paradoja rendimiento-aprendizaje

Comencemos por donde la OCDE comienza: por el dato que incomoda.

Varios estudios recogidos en el informe muestran un patrón consistente. Los estudiantes que utilizan herramientas de IA generativa de propósito general (ChatGPT, Gemini, Claude sin diseño pedagógico específico) durante sus tareas académicas producen trabajos de mayor calidad. Hasta ahí, buenas noticias.

Pero cuando se les retira el acceso y se les evalúa sin asistencia tecnológica, su rendimiento cae por debajo del grupo que nunca usó IA.

El caso más robusto metodológicamente es el ensayo controlado aleatorizado de Bastani y colaboradores, realizado con casi 1.000 estudiantes en Turquía. Tres grupos: uno con un chatbot estándar (GPT Base), otro con un tutor de IA diseñado pedagógicamente (GPT Tutor) y un grupo de control con recursos tradicionales.

Durante la fase de práctica asistida, el grupo GPT Base resolvió un 48 % más de problemas que el grupo de control. Impresionante. Pero en el examen posterior sin IA, ese mismo grupo obtuvo resultados un 17 % inferiores al grupo de control. El grupo GPT Tutor, con salvaguardas pedagógicas, mantuvo resultados equivalentes al grupo de control.

¿Qué ocurrió? La OCDE lo explica con un concepto que conviene retener: la «pereza metacognitiva». Cuando delegamos el esfuerzo cognitivo a un chatbot, perdemos la capacidad de monitorear nuestro propio proceso de aprendizaje. No es que la IA sea mala. Es que sin diseño pedagógico, automatiza la parte equivocada: la que consolida el conocimiento.

Podríamos decirlo de forma más directa: confundimos fluidez con aprendizaje. Que un estudiante produzca un texto mejor con IA no significa que haya entendido mejor el tema. Significa que la herramienta hizo parte del trabajo cognitivo que le correspondía a él.

Pero la historia tiene un giro

Si la evidencia solo mostrara efectos negativos, el artículo terminaría aquí con una recomendación de cautela. No es el caso.

El informe documenta con igual rigor las condiciones bajo las cuales la IA educativa sí funciona. Cuando las herramientas se diseñan con intención pedagógica clara, los resultados se invierten: mejoran tanto el rendimiento inmediato como el aprendizaje sostenido.

En un estudio de la Universidad de Harvard, un tutor de IA configurado con principios de aprendizaje activo superó a la clase presencial con un tamaño del efecto de 0,63 (considerado grande en ciencias de la educación). Los estudiantes no solo aprendieron más, sino que reportaron mayor motivación y lo hicieron en menos tiempo.

La herramienta Tutor CoPilot, desarrollada en Stanford, ajustó GPT-4 con observaciones de estrategias de buenos profesores y se desplegó con 900 tutores atendiendo a 1.800 estudiantes de contextos desfavorecidos. Los tutores novatos asistidos por IA mejoraron significativamente sus estrategias pedagógicas, y sus estudiantes avanzaron más en matemáticas. El dato más revelador: la IA ayudó más a quien más lo necesitaba.

Cinco hallazgos que cambian la conversación

Más allá de la paradoja central, el informe documenta patrones que merecen atención detenida.

1. La productividad docente mejora con IA diseñada para educación. Profesores de ciencias en Inglaterra redujeron un 31 % el tiempo dedicado a planificación de lecciones y recursos. No se trata de automatización ciega: es liberación de tiempo para la interacción humana con los estudiantes.
2. La retroalimentación de IA iguala la calidad de la humana, pero los estudiantes la perciben como menos creíble. La calidad técnica del comentario no es el único factor: la relación pedagógica y la confianza en quien evalúa modulan el impacto. El consenso apunta hacia modelos híbridos donde la IA asiste al docente, no lo reemplaza.
3. La IA puede amplificar la capacidad del docente, no sustituirla. El informe insiste en el concepto de codiseño: cuando la experiencia del profesorado se integra en el diseño de las herramientas de IA, la capacidad de enseñanza se multiplica.
4. La orientación estudiantil puede escalarse con IA, pero con riesgos. El informe documenta experiencias de orientación vocacional asistida por IA disponible las 24 horas. Prometedor, aunque advierte sobre los riesgos de despersonalización y sesgos.
5. La gobernanza importa tanto como la tecnología. La última parte del informe aborda las condiciones políticas e institucionales necesarias: privacidad, seguridad, transparencia algorítmica, equidad en el acceso y alineación con objetivos educativos reales.

Qué encontrarás en cada parte

El informe se organiza en tres partes.

Parte I (capítulos 1 a 5): la IA generativa y el aprendizaje. El núcleo de la evidencia empírica. La paradoja rendimiento-aprendizaje, la IA como tutor inteligente, como compañero colaborativo, como asistente de investigación y como herramienta para el pensamiento crítico y la creatividad.

Parte II (capítulos 6 a 9): la productividad educativa. Cómo la IA puede mejorar la productividad docente, potenciar la investigación científica, optimizar la gestión institucional y escalar la orientación estudiantil.

Parte III (capítulos 10 a 13): políticas y gobernanza. Enseñanza centrada en lo humano, inversión en I+D para IA educativa, marcos regulatorios de confianza e infraestructura para garantizar equidad de acceso.

Por qué traduje este informe

La evidencia sobre IA en educación no puede quedarse en inglés. No es una cuestión de orgullo lingüístico: es de acceso al conocimiento.

El profesorado universitario hispanohablante necesita tomar decisiones informadas sobre cómo integrar la IA generativa en sus aulas. Esas decisiones se toman mejor con acceso a la evidencia que sin ella. Y la evidencia más completa y rigurosa que existe en este momento está en estas 247 páginas que, hasta ahora, solo estaban disponibles en inglés.

La traducción mantiene la precisión terminológica del original, adaptada a las normas de la RAE. No es una traducción automática: es un trabajo de adaptación profesional pensado para que cada concepto sea comprensible sin perder el matiz.

Si eres docente universitario y este contenido te resulta útil, compártelo con colegas que también necesiten tomar decisiones informadas sobre IA en sus aulas.

Fernando Santamaría es profesor universitario especializado en IA aplicada a la educación superior. Dirige IAforTeachers.com.