La tutoría personalizada con IA podría ayudar a los docentes a detectar antes las dificultades de sus estudiantes. Pero solo si sirve para acompañar mejor, no para reemplazar el criterio humano ni ampliar las brechas.
En muchas escuelas públicas latinoamericanas, un docente enseña, corrige, conversa con familias, completa reportes y prepara la clase siguiente. Puede tener treinta, cuarenta o más alumnos delante. Al final del día, sabe que algunos entendieron a medias, pero no siempre tiene cómo descubrir quiénes son ni qué necesitan exactamente.
Ese es el problema real que vuelve relevante la inteligencia artificial en educación.
No se trata, primero, de tener una tecnología nueva en el aula. Se trata de lograr que más alumnos reciban atención antes de perder el hilo. De que una dificultad no se convierta, por falta de tiempo o seguimiento, en un rezago que acompañe al estudiante durante años.
La tutoría personalizada con IA promete acompañar parte de ese proceso: hacer preguntas, detectar errores, proponer ejercicios y conservar información sobre lo que ha ocurrido en el aprendizaje. No reemplaza una buena enseñanza. Tampoco reemplaza el vínculo humano. Pero podría convertirse en una herramienta útil para ampliar el alcance de un docente que ya sabe qué enseñar y por qué importa.
Esa posibilidad merece atención.
También merece prudencia.
Varios estudios recientes muestran hacia dónde se mueve la investigación. No prueban que la IA haya resuelto la educación. Muchos son trabajos todavía en revisión académica. Pero apuntan a una idea importante: su mejor uso educativo no sería dar respuestas más rápidas, sino ayudar a entender mejor cómo aprende cada alumno.
Corregir no es acompañar
Cuando un estudiante responde mal una pregunta, el sistema más básico hace una cosa: marca el error.
Pero dos respuestas equivocadas pueden esconder problemas distintos.
Uno pudo comprender el tema y equivocarse al final. Otro pudo memorizar una fórmula sin saber cuándo usarla. Un tercero pudo no haber entendido la pregunta. Si todos reciben el mismo “incorrecto”, la corrección enseña poco.
Una investigación reciente, llamada *LLM-as-a-Coach*, propone que los modelos no se limiten a poner una nota o dar una recompensa numérica. Propone que identifiquen qué fue sólido, qué fue débil y qué aprendizaje de esa experiencia puede servir después.
El estudio no trabaja con estudiantes. Investiga cómo entrenar mejor modelos de inteligencia artificial. No conviene exagerar su alcance.
Pero deja una idea útil para la escuela: una buena retroalimentación no dice solamente qué salió mal. Ayuda a comprender por qué ocurrió y qué conviene intentar la próxima vez.
Imaginemos a una alumna que falla varias operaciones. El problema puede no ser la multiplicación, sino el valor posicional. O quizá lee con prisa y omite un dato. Si el docente recibe una señal concreta, la siguiente intervención ya no empieza solamente desde la intuición o el apuro.
Pero la IA también puede equivocarse al interpretar.
Puede producir una explicación convincente sobre un error y, sin embargo, estar equivocada. Por eso, su lectura nunca debe reemplazar el juicio del docente. Debe servirle de apoyo.
Personalizar no es etiquetar
Otro proyecto, llamado *DeepTutor*, propone que las distintas funciones de un sistema compartan una memoria del estudiante.
La idea es lógica. Si un alumno trabaja durante semanas con ejercicios, tutorías y evaluaciones, no tendría sentido que cada interacción empezara desde cero. El sistema debería saber qué se ha trabajado, qué dificultades aparecieron y qué tipo de ayuda fue útil.
Pero toda memoria también puede convertirse en una etiqueta.
Un estudiante no debe quedar definido por frases como “no es bueno para matemáticas”, “tiene poca motivación” o “aprende lento”. Son interpretaciones, no hechos. Y pueden convertirse en una profecía: si el sistema trata al estudiante como incapaz, terminará ofreciéndole menos desafío, menos confianza y menos oportunidades de avanzar.
Una herramienta responsable debe distinguir entre lo que observó y lo que cree haber entendido.
No es igual decir: “Juan falló tres ejercicios de proporcionalidad esta semana”, que afirmar: “Juan no puede aprender proporcionalidad”. Lo primero se puede comprobar. Lo segundo exige contexto, cautela y posibilidad de corrección.
La IA debe conservar evidencia, no fabricar diagnósticos sobre la identidad de un niño o adolescente.
Aprender no es solo recibir la respuesta correcta
Una de las investigaciones más valiosas de este grupo estudió directamente a personas.
El trabajo *Beyond the AI Tutor* comparó distintos escenarios: estudiantes sin IA, estudiantes con un tutor de IA y estudiantes que trabajaban con un tutor junto a “pares” artificiales que proponían respuestas, incluso algunas equivocadas.
En una prueba de matemáticas con 315 participantes, quienes trabajaron con tutor y pares obtuvieron el mejor resultado posterior cuando tuvieron que resolver problemas sin ayuda. En otra experiencia de escritura, con 247 participantes, la IA mejoró la calidad de los textos. Sin embargo, cuando las personas trabajaron con un solo modelo, sus ideas tendieron a parecerse más. Con dos modelos, esa homogeneidad disminuyó.
No significa que debamos reemplazar a los compañeros de clase por robots que simulan conversar.
La lección es más simple: aprender no es solo recibir una explicación correcta.
Los estudiantes aprenden cuando explican una idea, ven cómo otro se equivoca, comparan estrategias, sostienen una posición y descubren que una misma pregunta puede tener más de un camino.
Esto importa en una época en la que muchos alumnos recurren a la IA para terminar una tarea rápido. Si la herramienta entrega la respuesta antes de que el estudiante haya pensado, puede resolver el ejercicio y vaciar el aprendizaje.
El docente debe diseñar otro uso: pedir a la IA que formule preguntas, presente un error para discutir, proponga una objeción o ayude a comparar dos soluciones. La tecnología puede ser parte del proceso. No debe convertirse en el atajo que elimina el proceso.
La escuela pública no necesita otra brecha
En una escuela pública latinoamericana, la promesa tiene otra medida.
Un docente puede atender grupos numerosos, alternar entre turnos, corregir decenas de trabajos y acompañar a estudiantes con condiciones muy distintas de conectividad, dispositivos y apoyo familiar. La IA no resuelve esas carencias. Puede incluso agravarlas si se incorpora sin pensar en quién puede usarla y quién queda fuera.
Si solo algunos estudiantes tienen teléfono, datos, computadora o un lugar tranquilo para trabajar, una tutoría basada en IA puede beneficiar primero a quienes ya tenían ventaja.
Por eso, su adopción en la educación pública debe empezar por problemas concretos y medibles, no por plataformas costosas ni promesas vacías de modernización.
El primer uso no tiene que ser individual ni depender de que cada alumno tenga un dispositivo. Un docente puede utilizar una sola conexión para preparar ejercicios diferenciados, anticipar errores frecuentes, adaptar una explicación o diseñar preguntas de recuperación. La IA puede apoyar la planificación. El aula sigue siendo el lugar donde se comprueba si hubo aprendizaje.
Lo que conviene preguntar antes de usarla
La pregunta no es si una escuela tiene IA. La pregunta es si la IA mejora algo que importa.
Antes de incorporar una herramienta, conviene preguntar:
* ¿Ayuda al estudiante a comprender o solo le entrega productos terminados?
* ¿Permite al docente ver patrones de error y necesidades reales?
* ¿Registra evidencia clara o produce etiquetas sobre los estudiantes?
* ¿Protege los datos de niños y adolescentes?
* ¿El alumno puede demostrar lo aprendido sin ayuda de la IA?
* ¿Hay docentes revisando lo que la herramienta recomienda?
Una plataforma puede tener gráficos, avatares y conversaciones fluidas. Nada de eso demuestra que esté produciendo aprendizaje.
La prueba más importante sigue siendo sencilla: después de usarla, ¿el estudiante puede resolver una tarea nueva, explicar un concepto o defender una idea sin que la IA le dicte el camino?
Una oportunidad para que menos alumnos pasen desapercibidos
Un docente no necesita esperar una plataforma institucional para empezar a pensar en esta posibilidad.
Puede elegir una actividad frecuente —un problema matemático, un comentario de texto o un bosquejo de ensayo— y pedir a la IA tres cosas: que no entregue la respuesta; que formule una pregunta de seguimiento; y que ayude a identificar los dos errores más repetidos del grupo, sin etiquetar a ningún alumno.
Después debe comprobar, sin IA, qué aprendieron realmente.
El mayor valor de esta tecnología no está en hacer que un maestro trabaje como una máquina. Está en evitar que tenga que adivinar a quién atender primero.
Puede ayudar a detectar a quien se está desconectando. Puede ofrecer práctica adicional a quien necesita más tiempo. Puede reducir parte del trabajo repetitivo si es confiable, está bien configurada y no obliga al docente a corregir más errores de los que ahorra.
Pero no hay que perder de vista el centro.
Un alumno no necesita solo una respuesta personalizada. Necesita alguien que crea que puede aprender, que reconozca sus avances, que corrija sin humillar y que le proponga un desafío mayor cuando esté listo.
La inteligencia artificial puede ser una buena asistente en esa tarea.
El maestro sigue siendo quien convierte la información en formación. Quien mira más allá del error. Quien sabe que detrás de una respuesta incompleta puede haber cansancio, miedo, una brecha anterior o simplemente una oportunidad que todavía no ha encontrado la explicación correcta.
La promesa más importante de la tutoría personalizada no es que cada estudiante tenga una pantalla hablándole.
Es que menos estudiantes pasen desapercibidos.
Referencias
* Tianzhu Ye et al., [*LLM-as-a-Coach: Experiential Learning for Non-Verifiable Tasks*](https://arxiv.org/abs/2607.18110), 2026.
* Bingxi Zhao et al., [*DeepTutor: Towards Agentic Personalized Tutoring*](https://arxiv.org/abs/2604.26962), 2026.
* Harsh Kumar et al., [*Beyond the AI Tutor: Social Learning with LLM Agents*](https://arxiv.org/abs/2604.02677), 2026.