Breve historia de la inteligencia artificial en el ámbito educativo
La inteligencia artificial (IA) ha dejado de ser un horizonte especulativo para convertirse en una realidad cotidiana de los sistemas educativos de todo el mundo. Su presencia en el aula —ya sea a través de plataformas adaptativas, tutores conversacionales, sistemas de retroalimentación automática o asistentes de planificación docente— plantea preguntas que trascienden lo meramente técnico y tocan el núcleo de lo que entendemos por enseñar, aprender y formar personas. Sin embargo, la IA en educación no es un fenómeno reciente. Su historia abarca más de siete décadas de investigación, ensayo y fracaso, avances graduales y rupturas repentinas. Comprender esa trayectoria resulta indispensable para quienes hoy toman decisiones pedagógicas, institucionales o de política educativa, pues los dilemas que enfrentamos —sobre la automatización del aprendizaje, la personalización, el rol del docente y los riesgos éticos— no surgieron con ChatGPT: muchos de ellos se formularon ya en los años cincuenta del siglo pasado.
La presenta entrada ofrece una revisión histórica de la evolución de la IA en educación, desde sus fundamentos conceptuales hasta las aplicaciones de la era generativa, para culminar con una reflexión prospectiva sobre las tecnologías emergentes que modelarán los entornos de aprendizaje en los próximos años: la robótica educativa, la realidad virtual y aumentada, los gemelos digitales y los sistemas híbridos de cognición humano-artificial. Se trata, en definitiva, de un mapa del territorio recorrido y de los caminos que aún están por abrirse.
1.- Los fundamentos: décadas de 1950 y 1960
La historia de la inteligencia artificial en educación no comienza con los algoritmos de aprendizaje profundo ni con los chatbots conversacionales, sino con una pregunta filosófica y técnica formulada a mediados del siglo XX: ¿puede una máquina pensar? Fue Alan Turing quien, en 1950, propuso el célebre test que llevaría su nombre, sentando las bases conceptuales de lo que décadas después transformaría radicalmente los entornos de aprendizaje. Apenas unos años más tarde, en 1956, John McCarthy acuñó formalmente el término «inteligencia artificial» en la conferencia de Dartmouth, inaugurando un campo que prometía replicar —y eventualmente superar— las capacidades cognitivas humanas.
En ese mismo periodo, el conductismo dominaba la pedagogía occidental y, con él, surgió la idea de que las máquinas podían actuar como tutores sistemáticos. Las «máquinas de enseñanza» de Burrhus Frederic Skinner —dispositivos mecánicos que presentaban preguntas y reforzaban respuestas correctas mediante retroalimentación inmediata— constituyeron el primer intento de automatizar la instrucción. Aunque rudimentarias, estas máquinas introdujeron un principio que permanecería vigente: la enseñanza puede individualizarse si se adapta al ritmo y las respuestas del aprendiz. La tecnología disponible era, sin embargo, demasiado limitada para llevar esa promesa más allá de ejercicios mecánicos de pregunta y respuesta.
2.- Los primeros sistemas inteligentes: décadas de 1970 y 1980
El verdadero despegue de la IA aplicada a la educación llegó con los sistemas de tutoría inteligente (STI), conocidos como Intelligent Tutoring Systems o ITS. SCHOLAR, desarrollado por Jaime Carbonell a comienzos de los setenta, fue uno de los primeros sistemas capaces de mantener un diálogo instruccional consultando una base de conocimiento estructurada y adaptando sus respuestas al estudiante. Poco después, SOPHIE demostró que un sistema computacional podía diagnosticar errores de razonamiento y no solo respuestas incorrectas. Estos desarrollos marcaron una frontera conceptual decisiva: ya no bastaba con evaluar si la respuesta era correcta o incorrecta; importaba entender por qué el estudiante se equivocaba.
En paralelo, Seymour Papert, en el MIT, propuso una visión radicalmente distinta. Inspirado en Jean Piaget, desarrolló el lenguaje LOGO y acuñó el concepto de construccionismo: los estudiantes aprenden mejor cuando construyen artefactos concretos y compartibles. Para Papert, la máquina no debía ser el tutor, sino el material con el que el estudiante construye conocimiento. Esta tensión entre IA como tutor y IA como herramienta creativa persiste, en distintas formas, hasta hoy.
La década de 1980 consolidó los STI con desarrollos más sofisticados. John Anderson y sus colegas de Carnegie Mellon University crearon los Cognitive Tutors, basados en la teoría cognitiva ACT-R. Estos tutores modelaban el proceso de resolución de problemas paso a paso en matemáticas y programación, y ofrecían retroalimentación adaptada al estado cognitivo del estudiante. Años después serían implementados en miles de escuelas de Estados Unidos con evidencia empírica de efectividad. Fue también en esta década cuando Benjamin Bloom publicó su célebre «The 2 Sigma Problem», documentando que la tutoría individualizada producía resultados dos desviaciones estándar superiores a la instrucción colectiva, y lanzando el desafío de encontrar métodos masivos capaces de alcanzar esa eficacia. Los STI se posicionaron como la respuesta tecnológica a ese llamado.
El surgimiento de internet transformó las coordenadas del problema. A mediados de los años noventa, la web abrió posibilidades de distribución de contenido educativo sin precedentes. Con ella emergieron los sistemas de gestión del aprendizaje (LMS), que si bien no eran sistemas de IA en sentido estricto, sentaron la infraestructura digital sobre la que los desarrollos posteriores se construirían. Plataformas como WebCT y luego Moodle comenzaron a acumular datos sobre el comportamiento de los estudiantes en línea, prefigurando lo que sería el análisis de aprendizaje.
Durante esta década proliferaron también los sistemas hipermedia adaptativos, que personalizaban la navegación y la presentación de contenidos según el perfil del usuario. Investigadores como Peter Brusilovsky desarrollaron modelos de usuario que permitían ajustar rutas de aprendizaje en entornos web, ampliando la noción de adaptación más allá del diálogo socrático de los STI hacia la gestión de trayectorias de contenido.
La primera década del siglo XXI estuvo marcada por la convergencia entre el aprendizaje en línea y los primeros desarrollos de minería de datos educativos. Surgió formalmente la disciplina de Educational Data Mining (EDM) y, poco después, la de Learning Analytics, dedicada a recopilar, analizar e interpretar grandes volúmenes de datos generados por los estudiantes en entornos digitales. La pregunta ya no era solo cómo un sistema podía adaptarse a un estudiante individual en tiempo real, sino qué patrones podían extraerse de millones de interacciones para mejorar el diseño instruccional a gran escala. Nicholas Negroponte, desde el MIT Media Lab, impulsó en esos años el proyecto One Laptop per Child, una apuesta política y tecnológica por democratizar la computación como condición de una educación futura.
3.- El punto de inflexión: la década de 2010
Si la década anterior fue de acumulación silenciosa, la de 2010 fue de explosión visible. Tres fenómenos convergentes definieron este período: la masificación de los cursos en línea abiertos y masivos (MOOC), el auge del aprendizaje automático y, hacia el final del decenio, el surgimiento del aprendizaje profundo como paradigma dominante en IA. En 2011, Sebastian Thrun y Peter Norvig ofrecieron desde Stanford un curso de inteligencia artificial al que se inscribieron más de 160.000 personas. El impacto fue tal que Thrun fundó Udacity, y pocos meses después EdX y Coursera emergían prometiendo democratizar la educación universitaria a escala global.
Los MOOC generaban masas de datos sin precedente sobre el comportamiento de los aprendices, y sus plataformas comenzaron a incorporar elementos adaptativos, recomendación automática de contenidos y análisis predictivo del abandono. Salman Khan, fundador de Khan Academy, había comenzado desde 2006 a publicar videos tutoriales que transformarían la pedagogía del aula invertida. Con el tiempo, la plataforma incorporó sistemas de práctica adaptativa que ajustan la dificultad de los ejercicios según el desempeño del estudiante, acercando la lógica de los STI a millones de usuarios sin mediación docente directa.
En el plano investigativo, las redes neuronales profundas comenzaron a producir avances con implicaciones educativas directas: reconocimiento de voz, comprensión del lenguaje natural y procesamiento de imágenes con niveles de precisión inéditos. Surgieron sistemas de evaluación automática de escritura, análisis de expresiones faciales para inferir estados emocionales durante el aprendizaje, y los primeros agentes conversacionales capaces de sostener diálogos instruccionales coherentes. La IA empezaba a volverse invisible en la infraestructura educativa.
4.- La era generativa: desde 2020 hasta el presente
El lanzamiento público de ChatGPT por parte de OpenAI en noviembre de 2022 marcó un antes y un después en la relación entre IA y educación. Por primera vez, una herramienta de IA conversacional de alta capacidad estaba disponible de manera gratuita y masiva para cualquier persona con conexión a internet. En cuestión de semanas, estudiantes de todo el mundo comenzaron a usarla para resolver tareas, redactar ensayos y obtener explicaciones. Las instituciones educativas se encontraron ante un desafío sin manual de instrucciones: prohibir, ignorar o integrar.
Tutores inteligentes de nueva generación
Los modelos de lenguaje de gran escala (LLM) sobre los que se construyen herramientas como ChatGPT, Gemini o Claude representan un salto cualitativo respecto a los sistemas anteriores. Donde los STI de los años ochenta requerían ingeniería de conocimiento manual —codificar dominio por dominio, regla por regla—, los LLM aprenden de cantidades masivas de texto y son capaces de dialogar con coherencia sobre prácticamente cualquier disciplina sin programación explícita de cada área del saber.
Khanmigo, el tutor conversacional de Khan Academy basado en GPT-4, ilustra con claridad este salto. A diferencia de los tutores tradicionales que guiaban al estudiante por rutas predefinidas, Khanmigo puede sostener diálogos socráticamente orientados, hacer preguntas que activen el pensamiento del aprendiz y adaptarse en tiempo real al nivel, los errores y las dudas de quien aprende. No da respuestas directas: interroga, provoca, acompaña. Diversas plataformas de EdTech —Duolingo, Synthesis, Carnegie Learning— han integrado LLM en sus motores pedagógicos, produciendo experiencias de aprendizaje que combinan la riqueza del diálogo humano con la escala de la interacción digital.
En el ámbito universitario, instituciones como Arizona State y Georgia Tech han implementado asistentes de IA capaces de responder preguntas de miles de estudiantes simultáneamente. Jill Watson, el asistente virtual desarrollado en Georgia Tech para foros de cursos de IA, llegó a responder consultas de estudiantes que, durante semanas, no supieron que estaban interactuando con una máquina. Más allá de la anécdota, el caso planteó preguntas éticas sobre la transparencia que siguen siendo pertinentes.
Aprendizaje adaptativo y personalización a escala
La promesa de la individualización que Bloom formuló en 1984 ha encontrado en esta era sus herramientas más poderosas. Los sistemas de aprendizaje adaptativo de nueva generación van mucho más allá del ajuste de dificultad en ejercicios: integran modelos del aprendiz que rastrean no solo lo que sabe, sino cómo aprende, con qué ritmo, qué tipo de errores comete con mayor frecuencia, cuándo se desconecta y cuándo se activa. Plataformas como DreamBox o Smart Sparrow toman decisiones pedagógicas en tiempo real, seleccionando el siguiente contenido, ejercicio o explicación basándose en el historial completo de interacciones del estudiante.
Los sistemas de alerta temprana han ganado particular relevancia en la educación superior. Empleando algoritmos de machine learning aplicados a datos de LMS, estas herramientas identifican estudiantes en riesgo de abandono o reprobación con semanas o meses de anticipación, permitiendo intervenciones tutoriales focalizadas. Instituciones como Purdue University, con su sistema Course Signals, han demostrado que la analítica predictiva puede reducir el abandono cuando va acompañada de una respuesta humana oportuna. El dato, solo, no salva a nadie; la combinación de dato y acción docente, sí.
La personalización también ha avanzado en la dimensión emocional. Sistemas como Affectiva —originalmente desarrollado en el MIT Media Lab— han explorado el análisis de expresiones faciales y el tono de voz para inferir estados afectivos durante el estudio, permitiendo que la plataforma ajuste su respuesta no solo a lo cognitivo sino al estado emocional del aprendiz. Este tipo de sistemas abre debates significativos sobre privacidad y vigilancia, pero anticipa una concepción del aprendizaje adaptativo que reconoce al estudiante como ser integral y no como simple procesador de información.
Recursos educativos y apoyo docente
La IA generativa ha transformado también la producción y curaduría de recursos educativos. Herramientas como Canva Magic Studio, Gamma, Napkin AI o MagicSchool.ai permiten a los docentes generar presentaciones, guías, rúbricas, cuestionarios y materiales didácticos en minutos, a partir de instrucciones en lenguaje natural. La barrera entre el diseñador instruccional y el docente de aula se ha reducido dramáticamente: cualquier maestro puede hoy producir materiales visualmente atractivos y pedagógicamente estructurados sin formación técnica especializada.
Los generadores automáticos de evaluaciones han comenzado a integrarse en plataformas LMS como Canvas, Moodle y Blackboard. Simultáneamente, los sistemas de retroalimentación automática sobre escritura —como Turnitin Feedback Studio o WriteToLearn— han evolucionado desde la simple detección de errores gramaticales hacia el análisis de la coherencia argumentativa, la profundidad del análisis y la originalidad del pensamiento.
La detección de escritura asistida por IA ha emergido como un campo propio, con herramientas como GPTZero o los detectores integrados en Turnitin. Sin embargo, su precisión dista de ser perfecta, generando controversias académicas e incluso acusaciones injustificadas contra estudiantes. El debate sobre la integridad académica en la era de los LLM obliga a replantear qué habilidades se evalúan, cómo y con qué propósito.
En América Latina, el avance ha sido desigual pero sostenido. Países como Brasil, México, Colombia, Argentina y Chile han visto proliferar plataformas EdTech con elementos adaptativos y conversacionales, mientras organismos como la CEPAL, la OEI y la UNESCO publican marcos de referencia para orientar su adopción responsable. En Chile, el debate sobre el uso de IA en trabajos finales de titulación y evaluaciones ha llevado a universidades a diseñar políticas institucionales que intentan equilibrar innovación con garantía del aprendizaje efectivo.
5.- Proyecciones hacia el futuro
Si la historia de la IA en educación es la historia de una brecha progresiva entre lo que la tecnología promete y lo que la escuela logra integrar, las próximas décadas prometen llevar esa brecha a su punto de tensión más alto. Las tecnologías emergentes que asoman en el horizonte no son meras extensiones de las actuales: en muchos casos representan cambios de categoría que alterarán las coordenadas fundamentales del espacio, el tiempo y la corporeidad del aprendizaje.
Robótica educativa y compañeros artificiales
La robótica educativa ha transitado desde los kits de construcción —popularizados por LEGO Mindstorms desde fines de los noventa— hacia robots sociales con capacidades de interacción natural. NAO y Pepper, de SoftBank Robotics, han sido implementados en aulas de educación especial, idiomas y ciencias en decenas de países, ofreciendo interacciones físicamente presentes que los sistemas de pantalla no pueden replicar. Los estudios sobre su uso en la enseñanza del lenguaje a niños con trastorno del espectro autista son especialmente prometedores: la predecibilidad y la paciencia infinita del robot reduce la ansiedad social y facilita la interacción comunicativa.
La próxima generación de robots educativos apunta hacia compañeros de aprendizaje artificiales —denominados «learning companions»— que acompañan al estudiante durante períodos prolongados, recuerdan su historia de aprendizaje, adaptan su estilo comunicativo y proporcionan apoyo emocional además de instruccional. Investigaciones del MIT Media Lab y del instituto RIKEN de Japón sugieren que la presencia física del robot —frente a su equivalente en pantalla— activa mecanismos de implicación y empatía que potencian el aprendizaje. En el ámbito de la educación técnica y vocacional, los robots colaborativos están transformando la formación profesional, convirtiendo el pensamiento computacional y la programación robótica en competencias básicas del siglo XXI.
Realidad virtual, aumentada y mixta
La realidad virtual (RV) y la realidad aumentada (RA) representan quizás la transformación más profunda del espacio de aprendizaje que haya ocurrido desde la invención del aula. La RV permite a los estudiantes sumergirse en entornos imposibles, peligrosos o económicamente inviables en el mundo físico: explorar el interior de una célula, caminar por la antigua Roma, ensayar una cirugía cardíaca o enfrentar una crisis de seguridad nuclear. La RA, por su parte, superpone información digital sobre el entorno físico, enriqueciendo la experiencia real con capas de datos, explicaciones y modelos interactivos.
Meta, Apple y Microsoft llevan años invirtiendo en dispositivos de realidad mixta —Quest, Vision Pro, HoloLens— que comienzan a encontrar aplicaciones educativas concretas. En medicina, el entrenamiento mediante simulación en RV ya ha demostrado resultados comparables o superiores a la formación clínica tradicional en procedimientos específicos: la repetición sin riesgo, la retroalimentación inmediata y la posibilidad de cometer errores sin consecuencias reales aceleran el aprendizaje de habilidades técnicas complejas.
La integración de IA con RV abre posibilidades aún más radicales. Un entorno virtual inteligente puede adaptar la experiencia de aprendizaje en tiempo real: cambiar el nivel de dificultad de un escenario, introducir nuevos personajes o eventos según el desempeño del estudiante, y proporcionar retroalimentación contextualizada dentro de la propia simulación. Plataformas como Labster —que ofrece laboratorios virtuales de ciencias para educación universitaria— ya incorporan guías de IA que asisten al estudiante durante la práctica virtual.
Gemelos digitales y modelos del aprendiz
Uno de los conceptos más sugerentes en la intersección de IA y educación es el del gemelo digital del aprendiz: un modelo computacional dinámico que representa el estado cognitivo, emocional y motivacional de un estudiante con suficiente fidelidad como para predecir su comportamiento de aprendizaje, anticipar sus dificultades y personalizar su trayectoria de manera proactiva. A diferencia de los modelos de usuario de los STI clásicos, los gemelos digitales integrarían datos de múltiples fuentes —rendimiento académico, interacciones con plataformas, patrones de atención, respuestas emocionales, contexto socioeconómico— en una representación continua y actualizable del aprendiz.
Aunque el gemelo digital del aprendiz sigue siendo en gran medida una propuesta investigativa, sus componentes ya existen por separado, y el avance en sensores biométricos, modelos afectivos y LLM multimodales acerca su implementación completa. Las implicaciones pedagógicas son enormes; las éticas, igualmente profundas: la vigilancia permanente, el riesgo de profecías autocumplidas y la reducción del estudiante a su perfil predictivo son tensiones que ninguna tecnología puede resolver por sí sola.
Inteligencia artificial colaborativa y cocreación
El futuro de la IA en educación no apunta solo hacia sistemas que enseñan o evalúan, sino hacia formas de colaboración humano-máquina que transforman el proceso mismo de creación del conocimiento. La noción de IA generativa como co-creadora abre un espacio pedagógico inédito: estudiantes que diseñan experimentos con la asistencia de modelos científicos de IA, que escriben y reescriben con un interlocutor artificial crítico, que componen música o producen visualizaciones de datos con herramientas generativas como extensiones de su propio proceso creativo.
La educación orientada a competencias podría reorientarse desde la transmisión de contenidos hacia el desarrollo de la capacidad de colaborar efectivamente con sistemas de IA: plantear buenas preguntas, evaluar críticamente los outputs generados, integrar perspectivas humanas y artificiales en síntesis originales. Los metaversos educativos —entornos virtuales persistentes, compartidos y habitados por avatares de estudiantes, docentes y agentes de IA— representan la convergencia de todas estas tendencias. Aunque siguen siendo costosos y técnicamente complejos, la reducción progresiva de costos de hardware y el avance de los modelos multimodales sugieren que en los próximos diez a quince años podrían convertirse en entornos accesibles para una fracción significativa de la población estudiantil global.
6.- Cierre
La trayectoria de la IA en educación no es lineal ni exenta de contradicciones. Desde las máquinas de Skinner hasta los modelos generativos de lenguaje, y desde estos hacia los entornos inmersivos y la robótica social, hay más de setenta años de aspiraciones, promesas incumplidas, avances reales y debates irresueltos. Cada ola tecnológica ha traído consigo una retórica de transformación radical, y cada vez que esa promesa se ha encontrado con la complejidad del aula real, los ajustes han sido inevitables.
Lo que sí permanece constante a lo largo de toda esa historia es la tensión entre dos visiones: la que concibe la IA como sustituto del docente —más eficiente, más paciente, siempre disponible— y la que la comprende como una herramienta que amplía las capacidades del maestro y del estudiante sin reemplazar el vínculo humano que está en el corazón de toda educación genuina. Las tecnologías más prometedoras del horizonte próximo no resuelven esa tensión: la potencian y la hacen más urgente.
El desafío de las próximas décadas no será, entonces, puramente técnico. Será pedagógico, ético e institucional: definir qué tipo de aprendizaje queremos promover, qué tipo de humanidad queremos formar, y qué rol le corresponde a la máquina en ese proyecto. Responder esas preguntas con lucidez exige conocer la historia que hemos recorrido, porque las decisiones de hoy —en las aulas, en los ministerios, en los centros de investigación— están siendo tomadas, querámoslo o no, sobre los cimientos que construyeron Turing, Papert, Bloom y los miles de investigadores que los siguieron.
Nota: Imágenes creadas con inteligencia artificial. Esta entrada la hemos generado con apoyo de inteligencia artificial.
