La mayoría de quienes usan IA en el aula se quedan en un solo tipo: el chatbot conversacional genérico. No es falta de interés, es que la tecnología que realmente puede sostener el trabajo docente —la que razona sobre tus propias fuentes en vez de responder de un tirón— ha tenido mucha menos difusión pública de la que merece.

Cinco tipos de IA, un solo uso extendido

Existen al menos cinco tipos de IA con aplicación educativa: procesamiento de lenguaje natural (resume, traduce, corrige), aprendizaje automático (personaliza contenido), IA para evaluación (apoya la corrección), IA para creación de contenido (genera material derivado) y asistentes conversacionales configurables. La mayoría del profesorado usa, casi exclusivamente, el último tipo en su versión más simple: un chat abierto. No es una limitación personal; es no haber tenido aún la oportunidad de trabajar con los otros cuatro.

La diferencia real no es la interfaz, es de dónde viene la respuesta

Un chatbot genérico responde desde conocimiento paramétrico: patrones aprendidos durante su entrenamiento, sin relación directa con tu curso. Cuando se le pregunta por algo específico —la bibliografía particular de una materia, por ejemplo— tiende a generar respuestas verosímiles pero no verificadas, fenómeno conocido como alucinación. Un asistente personalizado —como NotebookLM o ChatGPT Edu— corrige esto con otra arquitectura: primero recupera fragmentos de una fuente delimitada —los documentos que tú le diste— y genera la respuesta anclada en ese material.

¿Qué hace que sea un «agente»?

Hasta aquí, la imagen mental habitual es la de un sistema que busca una vez y responde. Eso ya no describe con precisión a los asistentes más recientes. Lo que los distingue no es solo que tengan fuentes propias, sino que razonan sobre el proceso de búsqueda mismo: deciden autónomamente qué consultar, evalúan si lo que encontraron es suficiente, y si no lo es, reformulan la pregunta y vuelven a buscar —en lugar de responder con lo primero que recuperaron (Singh et al., 2025). Esto se conoce como agentic RAG, y es la diferencia entre un sistema que ejecuta un solo paso fijo y uno que se comporta más como alguien investigando: prueba un enfoque, revisa si sirvió, ajusta y continúa.

Para el trabajo docente esto importa por una razón concreta: un asistente de este tipo no solo responde con lo que hay en un documento, puede combinar varias fuentes, notar que una pregunta compleja necesita más de una consulta, y construir la respuesta en pasos —de forma similar a como un asistente de investigación humano dividiría una pregunta amplia en subpreguntas antes de responder. Saber esto cambia qué se le puede pedir: no solo «resume este artículo», sino tareas que requieren cruzar varias fuentes o verificar consistencia entre ellas, algo que un chat de una sola pasada no resuelve bien.

Lo técnico no es lo único que importa

Que el sistema razone sobre su propio proceso de búsqueda no elimina la responsabilidad de verificar el resultado —solo la desplaza a un punto distinto. Y queda abierta otra pregunta, de un orden distinto: qué le cuesta, cognitivamente, a quien delega parte de su pensamiento en la IA, aunque la respuesta sea correcta. Freyman (2026), desde el Observatorio del Tec de Monterrey, propone pensarlo como una «etiqueta cognitiva» —similar a una etiqueta nutricional— que hace visible qué tipo de esfuerzo intelectual exige o evita una actividad mediada por IA. Su conclusión: la respuesta a la delegación cognitiva no es controlar más, sino hacer visible qué se está delegando y qué se sigue ejercitando.

Elegir entre un chatbot genérico y un asistente personalizado no es cuestión de estar más o menos actualizado, sino de entender qué hace cada arquitectura y qué le puedes pedir en consecuencia. Un asistente que razona sobre su propia búsqueda puede sostener tareas más complejas que una pregunta suelta —pero solo si sabes que puede hacerlo, y solo si diseñas tus actividades sabiendo qué parte del pensamiento se está delegando y cuál se conserva.

Referencias

• Freyman, R. (2026). «Dieta cognitiva» para nutrir la mente en el uso de IA. Observatorio del Instituto para el Futuro de la Educación, Tecnológico de Monterrey. https://observatorio.tec.mx/edu-bits/dieta-cognitiva-para-nutrir-la-mente-en-el-uso-de-ia/
• Singh, A., Ehtesham, A., Kumar, S., & Talaei Khoei, T. (2025). Agentic retrieval-augmented generation: A survey on agentic RAG. arXiv. https://arxiv.org/abs/2501.09136