Inteligencia artificial y aprendizaje personalizado: usos, beneficios y riesgos

La idea parece sencilla: si cada estudiante aprende a un ritmo distinto, ¿por qué todos deberían recibir exactamente la misma secuencia, los mismos apoyos y la misma retroalimentación?

La inteligencia artificial ha reactivado esa pregunta porque hoy existen sistemas capaces de analizar respuestas, detectar patrones, recomendar contenidos, ajustar dificultad o generar explicaciones en tiempo real.

Eso abre posibilidades interesantes, pero también crea una confusión frecuente: hablar de “aprendizaje personalizado con IA” como si se tratara de una sola tecnología.

No lo es.

Un sistema adaptativo que cambia la dificultad de ejercicios, un tutor inteligente que ofrece pistas, un motor de recomendación que sugiere recursos y una herramienta generativa que explica un concepto con lenguaje natural pueden participar en experiencias personalizadas, pero funcionan de manera diferente y plantean riesgos distintos.

Qué significa personalizar el aprendizaje con IA

Personalizar no significa que cada estudiante necesite un currículo completamente distinto.

En términos educativos, la personalización puede consistir en ajustar algunos elementos del proceso de aprendizaje a partir de información relevante sobre el estudiante y la tarea.

Por ejemplo:

– cambiar la dificultad de una actividad;

– ofrecer una pista adicional;

– recomendar un recurso de refuerzo;

– variar el orden de ciertos contenidos;

– identificar conceptos que necesitan práctica;

– adaptar el tipo o cantidad de retroalimentación;

– proponer una ruta de estudio a partir del progreso observado.

La IA puede intervenir en varias de esas decisiones cuando analiza datos y aplica reglas, modelos estadísticos o algoritmos de aprendizaje automático.

Pero la personalización educativa no debería reducirse a “el algoritmo decide qué necesita el estudiante”.

La decisión pedagógica sigue requiriendo contexto: objetivos de aprendizaje, edad, conocimientos previos, condiciones del grupo, accesibilidad, cultura, recursos disponibles y juicio docente.

Sistemas adaptativos, tutores inteligentes y IA generativa: diferencias

Una de las mejoras más importantes que necesita cualquier explicación sobre este tema es separar tecnologías que a menudo se mezclan.

Sistemas adaptativos

Son plataformas que modifican contenidos, dificultad o secuencia en función del desempeño del estudiante.

Si un alumno responde correctamente varias actividades sobre un concepto, el sistema puede avanzar. Si presenta errores, puede ofrecer práctica adicional o regresar a contenidos previos.

La adaptación suele depender de modelos definidos, reglas, datos históricos o técnicas de aprendizaje automático.

Analítica y recomendación

Otros sistemas no cambian automáticamente la experiencia, sino que analizan comportamiento y resultados para generar indicadores o recomendaciones.

Pueden mostrar al docente qué estudiantes presentan dificultades, qué contenidos producen más errores o qué recursos podrían ser útiles.

Aquí es fundamental no convertir una recomendación algorítmica en un diagnóstico educativo definitivo.

Tutores inteligentes

Los sistemas de tutoría inteligente intentan proporcionar apoyo parecido a ciertas funciones de un tutor humano: pistas, preguntas, explicación de errores o práctica guiada.

Pueden apoyarse en modelos del dominio, del estudiante y de estrategias pedagógicas.

IA generativa

Las herramientas basadas en grandes modelos de lenguaje pueden generar explicaciones, ejemplos, preguntas, retroalimentación o simulaciones conversacionales.

Su flexibilidad es enorme, pero también su incertidumbre. Una respuesta fluida no garantiza que sea correcta, apropiada para la edad ni pedagógicamente adecuada.

Por eso una herramienta generativa no debe confundirse automáticamente con un sistema adaptativo validado.

Qué datos pueden usar estos sistemas

La personalización depende de información.

Algunos sistemas utilizan datos relativamente simples:

– respuestas correctas e incorrectas;

– tiempo dedicado a una actividad;

– número de intentos;

– contenidos completados;

– progreso en una secuencia;

– resultados de evaluaciones.

Otros pueden utilizar registros más complejos de interacción y comportamiento.

Las revisiones recientes sobre aprendizaje adaptativo también describen sistemas que integran datos multimodales, aunque estos enfoques aumentan de manera importante las preocupaciones sobre privacidad, consentimiento, interpretación y necesidad real de recolectar esos datos.

La regla debería ser clara: que una plataforma pueda recopilar un dato no significa que deba hacerlo.

UNESCO insiste en un enfoque centrado en las personas, con protección de datos, validación ética y diseño pedagógico responsable, especialmente en el uso de IA generativa.

Qué beneficios respalda la investigación y cuáles siguen en estudio

La investigación reciente identifica beneficios potenciales de los sistemas de IA para personalización.

Una revisión sistemática publicada en 2025 sobre educación adaptativa con IA analizó 142 estudios empíricos publicados entre 2015 y 2025. Los autores describen aplicaciones relacionadas con clasificación de estudiantes, predicción de desempeño, secuenciación dinámica, análisis de patrones y personalización de contenidos.

Otra revisión sistemática de 2025 reunió 125 estudios sobre aprendizaje personalizado basado en IA y examinó aplicaciones en distintos niveles educativos.

En conjunto, este cuerpo de investigación muestra que la IA puede apoyar rutas adaptativas, retroalimentación, selección de contenidos y sistemas de apoyo.

Sin embargo, “puede apoyar” no significa “garantiza mejores resultados”.

La efectividad depende de la calidad del sistema, el diseño pedagógico, la población, el contexto, los datos disponibles, la infraestructura y la manera en que docentes y estudiantes utilizan la herramienta.

También existen preguntas abiertas sobre efectos a largo plazo, escalabilidad, equidad y transferencia entre contextos.

Por eso conviene evitar frases como “la IA optimiza el aprendizaje de cada estudiante”.

Una formulación más precisa sería: ciertos sistemas de IA pueden ajustar algunos componentes de una experiencia educativa a partir de datos, y esas adaptaciones pueden ser útiles cuando están bien diseñadas, evaluadas y supervisadas.

Personalización no significa “estilos de aprendizaje”

Este punto merece una sección propia porque todavía aparece en muchos artículos y presentaciones.

La personalización no debería basarse en clasificar estudiantes como “visuales”, “auditivos” o “kinestésicos” y después intentar enseñarles siempre mediante esa modalidad.

La evidencia disponible no respalda la idea de que emparejar enseñanza con un supuesto estilo fijo produzca mejores resultados de aprendizaje.

La Education Endowment Foundation señala que existe evidencia muy limitada para conjuntos consistentes de estilos que permitan identificar diferencias reales de aprendizaje y advierte que asignar estudiantes a categorías de ese tipo puede ser poco útil.

Una revisión de 2025 de Hattie y O’Leary también concluye que la hipótesis de emparejar instrucción con estilos preferidos carece de respaldo convincente.

Entonces, ¿qué sí puede personalizarse?

Conocimientos previos, progreso, errores frecuentes, nivel de dominio, ritmo de práctica, necesidad de apoyo, metas, tipo de tarea y estrategias de aprendizaje son variables mucho más útiles que una etiqueta fija de “estilo”.

Ejemplos de personalización bien planteada

Ejemplo 1: práctica de matemáticas

Un sistema detecta que un estudiante domina operaciones básicas pero falla al traducir problemas verbales a ecuaciones.

En lugar de repetir ejercicios ya dominados, propone práctica adicional centrada en interpretación del problema y ofrece pistas progresivas.

La personalización está vinculada a evidencia de desempeño, no a una categoría psicológica genérica.

Ejemplo 2: lectura

Una plataforma identifica que un alumno comprende información explícita pero tiene dificultad para realizar inferencias.

El sistema puede recomendar textos o preguntas que trabajen esa habilidad concreta.

El docente revisa si la recomendación tiene sentido dentro de la secuencia de aprendizaje.

Ejemplo 3: tutor conversacional

Un estudiante pide una explicación de un concepto de programación.

La IA generativa ofrece un ejemplo, pero el docente ha definido criterios: no entregar la solución completa, pedir primero que el estudiante explique su intento y verificar que el código propuesto sea correcto.

Aquí la personalización ocurre en la conversación, pero sigue existiendo una estructura pedagógica humana.

Ejemplo 4: panel para el docente

Un sistema analiza resultados de un grupo y detecta que una pregunta produjo errores en la mayoría.

En lugar de etiquetar individualmente a los estudiantes, el docente puede interpretar el patrón como señal de que la explicación, el material o la pregunta necesitan revisión.

Privacidad, sesgo, explicabilidad y brecha digital

La personalización puede requerir datos sensibles sobre desempeño y comportamiento.

Eso obliga a preguntar quién recolecta la información, dónde se almacena, cuánto tiempo se conserva, quién puede acceder y para qué se reutiliza.

Privacidad

UNESCO ha advertido que la rápida expansión de GenAI ha superado en muchos lugares la adaptación de marcos regulatorios y que la privacidad de los usuarios debe ser una prioridad.

En educación esto es especialmente importante porque los datos pueden pertenecer a menores de edad.

Sesgo

Los modelos pueden reproducir sesgos presentes en los datos con los que fueron entrenados o funcionar peor con poblaciones que estuvieron poco representadas.

Una recomendación desigual puede convertirse en una desventaja si el sistema asigna contenidos menos desafiantes o interpreta incorrectamente el desempeño de ciertos grupos.

Explicabilidad

Algunos modelos complejos funcionan como cajas negras. Si un sistema recomienda que un estudiante repita un tema, docentes y alumnos deberían poder comprender al menos qué datos y criterios influyeron en esa recomendación.

Infraestructura

Las revisiones recientes también señalan límites de escalabilidad, costo, conectividad, capacidad técnica y acceso a infraestructura.

Una solución que funciona en una institución con dispositivos, conectividad y soporte especializado puede no ser viable en una escuela con recursos limitados.

Brecha digital

Personalizar con tecnología no es automáticamente más equitativo.

Si sólo algunos estudiantes tienen acceso estable a dispositivos, plataformas o acompañamiento, una herramienta personalizada puede terminar ampliando diferencias existentes.

Qué debe decidir el docente y qué no debería delegarse

La IA puede ayudar a procesar información y generar opciones. Eso no significa que deba tomar todas las decisiones.

El docente sigue siendo responsable de decisiones como:

– qué aprendizajes son prioritarios;

– qué evidencia es suficiente para afirmar que un estudiante comprende;

– cuándo una recomendación debe ignorarse;

– cómo adaptar una actividad al contexto del grupo;

– qué datos es razonable utilizar;

– cómo proteger privacidad y dignidad;

– cuándo una dificultad requiere conversación, acompañamiento o evaluación especializada.

Una plataforma puede detectar un patrón, pero no conoce automáticamente toda la historia del estudiante.

Puede saber que una persona respondió mal cinco ejercicios. No necesariamente sabe si estaba enferma, si entendió mal la interfaz, si tuvo problemas de conexión, si la consigna era ambigua o si existe una necesidad educativa que requiere atención humana.

La supervisión docente no es un obstáculo para la personalización. Es una condición para que la personalización sea educativa y no sólo algorítmica.

Cómo evaluar una herramienta de IA personalizada antes de usarla

Antes de adoptar una plataforma conviene revisar al menos ocho preguntas:

1. ¿Qué problema educativo intenta resolver?

2. ¿Qué datos necesita para funcionar?

3. ¿Puede explicar por qué hace una recomendación?

4. ¿Qué evidencia existe sobre su uso en una población comparable?

5. ¿Qué hace el sistema cuando se equivoca?

6. ¿Qué controles tiene el docente?

7. ¿Cómo protege los datos de estudiantes?

8. ¿Qué ocurre con quienes tienen menor conectividad, accesibilidad o experiencia digital?

Si una herramienta no puede responder claramente esas preguntas, la promesa de “personalización con IA” debería tomarse con cautela.

Preguntas frecuentes

¿Qué es el aprendizaje personalizado con inteligencia artificial?

Es el uso de sistemas de IA para ajustar algunos elementos del aprendizaje —como secuencia, dificultad, recomendaciones, apoyos o retroalimentación— a partir de datos sobre progreso, desempeño o necesidades.

¿La IA puede enseñar de forma diferente a cada estudiante?

Puede adaptar ciertos componentes de la experiencia, pero no sustituye automáticamente un diseño educativo completo ni el criterio docente.

¿ChatGPT es un sistema de aprendizaje adaptativo?

No necesariamente. Un modelo generativo puede personalizar una conversación, pero eso no lo convierte por sí mismo en una plataforma adaptativa con modelo de estudiante, secuenciación validada y objetivos pedagógicos estructurados.

¿Qué diferencia hay entre personalización y adaptación?

La adaptación suele referirse a cambios que un sistema realiza a partir del desempeño o comportamiento. La personalización es un concepto más amplio que puede incluir metas, recomendaciones, ritmo, apoyos y decisiones humanas.

¿La IA personalizada se basa en estilos de aprendizaje?

No debería. La evidencia no respalda enseñar de forma fija según etiquetas como visual, auditivo o kinestésico. Es más útil trabajar con conocimientos previos, progreso, errores, objetivos y demandas de la tarea.

¿Qué datos necesita una IA educativa?

Depende del sistema. Puede utilizar respuestas, resultados, tiempo de trabajo, intentos, progreso o interacciones. Debe recolectarse sólo la información necesaria y con controles adecuados de privacidad.

¿La IA mejora siempre el rendimiento académico?

No. La investigación muestra potencial y resultados positivos en distintos contextos, pero la efectividad depende del diseño, la calidad del sistema, la implementación, la población y el acompañamiento docente.

¿Cuáles son los principales riesgos?

Privacidad, sesgo, falta de explicabilidad, errores, dependencia tecnológica, brecha digital, infraestructura insuficiente y decisiones automatizadas sin supervisión adecuada.

¿La IA puede sustituir al docente en la personalización?

No es una conclusión respaldada por la evidencia revisada. La IA puede apoyar análisis y recomendaciones, pero el contexto pedagógico y humano requiere juicio profesional.

¿Cómo saber si una herramienta es realmente personalizada?

Hay que revisar qué datos usa, qué cambia a partir de ellos, cómo explica sus decisiones, qué control conserva el docente y qué evidencia existe sobre sus resultados.

Cierre editorial

La personalización con inteligencia artificial no consiste en entregar a cada estudiante un chatbot diferente ni en etiquetar a las personas según supuestos estilos de aprendizaje.

Consiste, cuando está bien planteada, en utilizar información relevante para ajustar apoyos, rutas, práctica o retroalimentación de forma responsable.

La oportunidad es real: sistemas adaptativos, tutores inteligentes, analítica y GenAI pueden ayudar a ofrecer experiencias más flexibles.

Pero también lo son los límites: privacidad, sesgo, explicabilidad, infraestructura, brecha digital y errores de interpretación.

La pregunta más útil no es “¿qué tan inteligente es la plataforma?”, sino “¿qué decisión educativa mejora, con qué evidencia y bajo qué supervisión?”.

En Geek Educativo y con El Profe Herrera buscamos abordar la inteligencia artificial desde esa perspectiva: comprender la tecnología, separar promesas de evidencia y convertirla en una herramienta que fortalezca —no sustituya— el criterio educativo.