iberestudios.

El futuro del eLearning se decide en lo que el alumno sabe hacer

Durante años, mejorar un curso online ha significado añadir contenidos: un vídeo más claro, un documento mejor diseñado, una explicación grabada por un experto y un examen que comprueba cuánto recuerda el alumno. La inteligencia artificial permite multiplicar esa producción a un coste cada vez menor. Pero queda una pregunta que no resuelve ninguna biblioteca de vídeos: ¿qué sabe hacer el estudiante después, cuando el problema es suyo y nadie le indica el siguiente paso?

Michael W. Allen lleva décadas trabajando en esa distancia entre explicar y aprender. Participó en el desarrollo de PLATO, creó Authorware y escribió sobre diseño iterativo mucho antes de que la IA generativa se incorporase a las plataformas educativas. En Rethinking eLearning: What Works. What Doesn’t. What’s Missing., publicado en febrero de 2026, vuelve sobre una cuestión que el sector conoce bien y resuelve de manera desigual: diseñar experiencias capaces de cambiar lo que una persona hace, en lugar de limitarse a entregarle información.

Una actividad comienza cuando hay algo que decidir

Pensemos en un curso de automatización empresarial. La versión convencional empieza explicando qué es un agente, qué es una API y cómo se conecta una herramienta con otra. Después muestra un flujo que funciona. El alumno responde a diez preguntas y obtiene una calificación. Una versión centrada en el desempeño puede comenzar en el extremo contrario: una empresa recibe doscientas consultas semanales y necesita decidir cuáles responder automáticamente, cuáles revisar y cuáles escalar a una persona. El estudiante recibe datos de ejemplo, restricciones de privacidad y un presupuesto; debe diseñar el procedimiento y justificar qué hará cuando el sistema se equivoque.

La teoría sigue siendo necesaria. La diferencia está en cuándo llega y para qué se utiliza. Si el alumno propone automatizar todas las respuestas, una simulación puede mostrarle una reclamación sensible enviada al destinatario equivocado. Si introduce demasiados pasos manuales, puede descubrir que su equipo no tiene capacidad para atenderlos. La explicación sobre controles, excepciones y escalado adquiere entonces una función inmediata. El aprendizaje se organiza alrededor de una decisión que hay que revisar.

Del tutor que responde al entrenador que observa

La biblioteca de ejemplos vinculada al libro, Treasure Trove, reúne demostraciones de experiencias interactivas. Entre las presentadas figuran Practice to Confidence, de Artha Learning, centrada en practicar instrucciones para IA con feedback; Constellation, de Allen Interactions, basada en objetivos y recorridos personales; y un Role Play de ELB Learning que plantea decisiones de gestión. Son referencias de diseño disponibles públicamente, no ensayos que acrediten por sí mismos mejoras de aprendizaje.

El cambio más interesante para un tutor de IA es renunciar a resolver la tarea en cuanto el estudiante se atasca. Un buen entrenador puede pedir que se explique una decisión, ofrecer una pista limitada, presentar una excepción o proponer una nueva prueba. En el ejercicio de automatización, el tutor puede preguntar qué ocurre si dos mensajes tienen el mismo asunto y distinta sensibilidad, o cómo se detectará un fallo del servicio externo. El alumno tendrá que modificar el flujo. La conversación se convierte en práctica, y el resultado queda a la vista.

La competencia no se acredita con una conversación convincente

Si una IA evalúa una respuesta redactada por otra IA, resulta fácil confundir una explicación persuasiva con una solución que funciona. En un programa sobre agentes, una prueba más exigente consistiría en ejecutar el sistema sobre casos que el alumno no conocía, comprobar sus errores, pedirle que describa las decisiones y observar cómo corrige un fallo. Una rúbrica puede evaluar la arquitectura, la gestión de excepciones y el tratamiento de datos. Una revisión entre iguales puede encontrar riesgos que el autor no había previsto.

La investigación educativa ofrece motivos para tomar en serio la práctica guiada, aunque no todas las simulaciones son iguales. Una revisión sistemática de 289 estudios en formación sanitaria, con 18.971 participantes, encontró asociaciones favorables para características como la interactividad, la práctica repetida, la adaptación individual y el feedback. Los autores también señalaron una heterogeneidad elevada entre investigaciones. Es evidencia sobre el valor de determinados componentes de diseño en un contexto concreto; no una prueba de que cualquier simulación con IA vaya a funcionar en todas las disciplinas.

Del principio pedagógico a la práctica: cómo lo aplicamos en Iberestudios

Las instituciones educativas llevan años incorporando aprendizaje por proyectos, evaluación mediante rúbricas, tutorías y gamificación. El siguiente paso puede ser menos vistoso y más exigente: escribir las tareas antes de producir los materiales. ¿Qué decisión profesional debe ser capaz de tomar el alumno? ¿Qué errores relevantes puede cometer? ¿Qué datos necesita? ¿Qué evidencia permitiría distinguir una competencia adquirida de un ejercicio completado con ayuda?

En un programa de marketing, un reto podría consistir en repartir un presupuesto con información incompleta y responder a una caída inesperada de conversiones. En liderazgo, intervenir en una negociación con un colaborador que tiene razones para rechazar el acuerdo. En ciberseguridad, reconocer una anomalía y decidir qué sistemas aislar sin paralizar toda la operación. Estos escenarios son propuestas de aplicación, no ejemplos que el libro haya validado en esas instituciones.

Esta discusión no es ajena a Iberestudios. En nuestros programas de formación en inteligencia artificial hemos adoptado una idea sencilla: aprender algo exige hacer algo con ello. El diseño del Máster de IA y de la formación gratuita de Iberestudios parte de trabajos concretos, criterios de evaluación conocidos desde el inicio, una primera entrega, revisión de los errores y oportunidad de mejorar el resultado. Los proyectos permiten conservar evidencias de lo realizado y explicar las decisiones tomadas. No es una consecuencia de leer a Allen ni una afirmación de superioridad educativa: es una orientación metodológica propia que coincide con varios de los principios que el autor defiende.

En el Máster de IA, el aprendizaje se organiza para que el estudiante trabaje con herramientas y problemas aplicados: no basta con saber definir un agente o describir una automatización; interesa que pueda construir, revisar y justificar una solución. La autoevaluación mediante rúbricas y la revisión entre iguales forman parte del modelo pedagógico previsto. El tutor de IA debe ayudar a comprender y corregir, no entregar indiscriminadamente el trabajo resuelto. La distinción es importante: describimos aquí el diseño del programa, no resultados de eficacia que todavía no se han demostrado con una evaluación independiente.

Lo que todavía necesitamos poner a prueba

El siguiente paso consiste en experimentar con retos adaptativos, simulaciones de decisiones y pruebas de transferencia en las que el alumno deba resolver un caso diferente sin repetir mecánicamente la solución anterior. Esas capacidades no deben confundirse con prestaciones ya desplegadas en todos los programas. Antes de escalarlas habrá que comprobar qué mejora en el aprendizaje, cuánto se retiene, qué sabe hacer el estudiante sin ayuda y cuáles son los costes y errores de la propia tutoría con IA.

Esta es también una obligación de transparencia: Iberestudios participa en la creación de programas educativos y, por tanto, los criterios que exigimos al sector deben servir para evaluar nuestra propia oferta. Explicamos cómo la diseñamos, pero serán las actividades, los trabajos de los estudiantes y los resultados verificables los que permitan juzgarla.

La nueva pregunta para evaluar un curso online

Allen devuelve protagonismo al diseño pedagógico en un momento en que producir contenidos se ha vuelto extraordinariamente fácil. Para juzgar un curso no bastará con contar sus horas de vídeo, sus actividades o la rapidez con la que contesta el asistente. Habrá que observar qué problemas puede resolver una persona después y qué parte de esa capacidad conserva cuando desaparecen las pistas. Ese es el desafío que la IA vuelve más interesante y, a la vez, más difícil de disimular.

Read this article in English

Fuentes y materiales

Este reportaje se basa en la ficha editorial, el planteamiento público del libro y estudios sobre diseño del aprendizaje. No constituye una reseña de lectura íntegra de sus 272 páginas ni una auditoría funcional de todas las demostraciones.

Participa en la conversación

Para comentar necesitas acceder con tu cuenta. Después volverás a este artículo.

Acceder para comentar

Datos de solicitudes de formación

El responsable es Óscar Fuente Castrillejo, titular de Iberestudios. Guardamos los datos que envías para gestionar tu candidatura a la beta, tu reserva de plaza o el aviso que solicites. Cada formulario registra por separado tu aceptación. Puedes retirar tu solicitud y pedir acceso, rectificación o supresión escribiendo a ofuente@gmail.com.

Datos del titular y aviso legal
PRÓXIMAS FORMACIONES

Recibe avisos sobre el programa.

Déjanos tu correo y te avisaremos cuando puedas apuntarte.

Uso de tus datos
MÁSTER EN IA · BETA GRATUITA

Quiero ser beta tester

Consigue acceso anticipado al máster gratuito de IA. Prueba las clases, las actividades y el campus; cuéntanos qué funciona y qué tenemos que mejorar.

  1. Completa tu solicitud y acepta los compromisos de prueba.
  2. Revisaremos tu disponibilidad y te confirmaremos si puedes participar.
  3. Si participas, probarás las actividades que te indiquemos y anotarás los problemas que encuentres.
Compromisos del betatester

El feedback debe incluir problemas y mejoras concretas. No incluyas contraseñas, claves ni datos privados de otras personas.

Iberestudios guardará tu candidatura para coordinar la prueba. El envío no confirma admisión ni crea una cuenta en el campus. Conserva la referencia que aparecerá al enviar.

Uso de tus datos
MÁSTER EN IA · 1.ª EDICIÓN · 8 ENERO 2027

Reserva tu plaza en el máster gratuito de IA

Primera edición: 8 de enero de 2027. Si el grupo se completa, podrás apuntarte a la lista de espera.

Uso de tus datos