Aprendizaje adaptativo con IA: cómo personalizar la formación para cada persona
La personalización del aprendizaje funciona y está medida desde hace décadas, pero no por los motivos que suele alegar el marketing. Repasamos qué adapta de verdad la inteligencia artificial, qué tamaño de efecto cabe esperar, qué mito conviene sacar del proyecto antes de empezar y qué exige el marco europeo cuando el sistema evalúa a personas.
- Los sistemas tutores inteligentes alcanzan efectos de d = 0,66 a 0,76: casi los de un tutor humano (0,79) y muy lejos de las «2 desviaciones típicas» que se citan en los folletos.
- Adaptar la enseñanza al estilo de aprendizaje no tiene respaldo empírico. Adaptarla al nivel de dominio, sí.
- En la Unión Europea, un sistema de IA que evalúa resultados de aprendizaje o decide el nivel formativo de una persona es de alto riesgo; inferir emociones en el centro de trabajo o educativo está prohibido.
- Sin línea base, grupo de comparación y criterio de descarte definidos antes de empezar, el piloto no es evaluable.
01Qué es el aprendizaje adaptativo (y qué no)
Un sistema adaptativo es el que modifica lo que ofrece a cada persona a partir de lo que esa persona hace, no de lo que declara ser. Esa es toda la definición útil. Lo demás —itinerarios por perfil, cuestionarios de preferencias, recomendaciones por puesto— es segmentación, que puede estar muy bien hecha, pero no es adaptación.
La diferencia práctica está en el bucle. Un curso segmentado decide una vez, al principio. Un curso adaptativo decide continuamente:
Dentro de ese bucle hay tres piezas que cualquier proveedor debería poder explicar sin recurrir a la palabra «algoritmo»:
Si el proveedor no sabe decirle qué señales alimentan el modelo del alumno y cada cuánto se actualiza, no está comprando un sistema adaptativo: está comprando un catálogo con recomendador.
02Qué efecto cabe esperar, según la evidencia
La promesa fundacional del sector es el llamado «problema de las 2 sigma» de Benjamin Bloom (1984): un alumno con tutor individual rendiría dos desviaciones típicas por encima de uno en aula convencional. Esa cifra es el origen de casi todo el discurso comercial sobre personalización, y la investigación posterior no la ha sostenido.
La revisión de Kurt VanLehn (2011) comparó tutoría humana, sistemas tutores inteligentes y software de práctica más simple. La tutoría humana no rindió 2,0, sino d = 0,79; los sistemas tutores inteligentes, 0,76, prácticamente lo mismo. El meta-análisis de Kulik y Fletcher (2016), sobre 50 evaluaciones controladas, situó la mediana en 0,66, equivalente a pasar del percentil 50 al 75 en la prueba utilizada.
Dos lecturas, y las dos importan para decidir un presupuesto:
- La buena. Un sistema bien construido se acerca al efecto de un tutor humano a un coste por alumno incomparablemente menor. En formación continua, con plantillas grandes y materias estructuradas, ahí está el caso de negocio.
- La incómoda. Kulik y Fletcher encontraron que el efecto depende en gran medida de si se mide con pruebas desarrolladas localmente o con pruebas estandarizadas. Dicho de otro modo: parte de la mejora es alineación entre lo que el sistema enseña y lo que el examen pregunta. Si su proveedor aporta el contenido y la evaluación, esa es la primera pregunta que hay que hacerle.
03El mito que conviene sacar del proyecto antes de empezar
«Personalizar según el estilo de aprendizaje de cada empleado» sigue siendo el argumento de venta más repetido del sector, y es el que peor resiste la evidencia. Pashler, McDaniel, Rohrer y Bjork revisaron en 2008 la literatura disponible buscando el único diseño que podría demostrar la hipótesis: un experimento que asigne a personas de distinto estilo a métodos distintos y encuentre que cada grupo aprende mejor con «el suyo».
De toda la literatura publicada, apenas un estudio se aproximaba a ese diseño, con problemas metodológicos serios, y varios trabajos bien construidos encontraron justo lo contrario. Su conclusión fue que no existe base suficiente para incorporar la evaluación de estilos de aprendizaje a la práctica educativa, y que hacerlo supone un uso poco eficiente de recursos limitados.
No significa que las personas sean iguales ni que la variedad de formatos sobre. Significa que la variable que conviene medir y sobre la que merece la pena adaptar no es la preferencia declarada, sino el desempeño observado: qué resuelve, con cuántos intentos, con qué errores y cuánto retiene dos semanas después.
Si una propuesta comercial se apoya en un test de estilos, pida los estudios que la sostienen. Es una buena prueba de la seriedad técnica del proveedor.
04Qué personaliza realmente la IA hoy
Despejado el mito, esto es lo que los sistemas actuales ajustan de verdad, con qué señal lo hacen y por dónde fallan:
| Qué adapta | Con qué señal | Riesgo a vigilar |
|---|---|---|
| Ritmo | Aciertos consecutivos, tiempo por ítem, intentos necesarios | Confundir rapidez con dominio: quien va deprisa puede estar reconociendo patrones del examen |
| Secuencia | Mapa de dependencias entre unidades y lagunas detectadas | Itinerarios tan distintos que dos compañeros ya no pueden hablar del mismo contenido |
| Dificultad | Probabilidad estimada de acierto en el siguiente ítem | Mantener a la persona siempre cómoda; sin dificultad deseable no hay aprendizaje duradero |
| Repaso | Curva de olvido y resultados en pruebas espaciadas | Es, probablemente, la función con mejor relación entre coste técnico y beneficio real |
| Retroalimentación | Tipo de error cometido, no solo acierto o fallo | Generada con modelos de lenguaje, puede ser fluida y estar equivocada |
| Generación de ítems | Plantillas y modelos generativos sobre el temario | Requiere revisión humana: un distractor mal construido enseña el error |
Conviene separar dos capas que el mercado mezcla. La capa analítica —estimar dominio y decidir el siguiente paso— lleva décadas funcionando y es la que produce los efectos medidos. La capa generativa —redactar explicaciones, crear ejercicios, conversar con el alumno— es reciente, impresiona mucho más en una demostración y es la que introduce el riesgo de contenido plausible pero incorrecto. Son compras distintas y deberían evaluarse por separado.
05Los cuatro riesgos de diseño que nadie pone en la propuesta
- La ley de Goodhart. En cuanto una métrica —porcentaje de avance, tiempo de conexión— se convierte en el objetivo, deja de medir aprendizaje y empieza a medir comportamiento orientado a la métrica. Vigile especialmente los indicadores que el propio sistema optimiza.
- La inversión epistemológica. El sistema solo puede adaptar sobre lo que sabe medir, así que el temario tiende a desplazarse hacia lo que es fácil de evaluar automáticamente. El criterio profesional, el juicio en situaciones ambiguas y el trabajo con otros no caben bien en un ítem autocorregible, y son justo lo que diferencia a un buen profesional.
- La erosión del conocimiento compartido. Si cada persona recorre un itinerario distinto, el equipo pierde la base común sobre la que conversar. En formación de empresa esto es un coste real: parte del valor de un curso es que veinte personas salgan con el mismo marco y el mismo vocabulario.
- La sobreautomatización de lo relacional. Hay partes de la formación cuyo valor está en que alguien se interese por el progreso de otro alguien. Automatizar el seguimiento ahorra horas de tutor y puede eliminar justo aquello que sostenía la motivación.
Ninguno de los cuatro es un argumento contra el aprendizaje adaptativo. Son los puntos donde un proyecto bien planteado se separa de uno que solo digitaliza el problema anterior.
06El marco legal europeo: esto ya no es terreno libre
El Reglamento (UE) 2024/1689 de inteligencia artificial afecta de lleno a la formación, y conviene saberlo antes de elegir herramienta, no después.
Usos de alto riesgo
Su anexo III clasifica como de alto riesgo, en el ámbito de la educación y la formación profesional, los sistemas de IA destinados a determinar el acceso o la admisión de personas a centros de formación; a evaluar los resultados del aprendizaje, incluso cuando esos resultados se usan para dirigir el propio proceso formativo; a evaluar el nivel de educación que una persona recibirá o al que podrá acceder; y a vigilar y detectar comportamientos prohibidos durante los exámenes.
La segunda letra es la que alcanza de lleno al aprendizaje adaptativo: un sistema que evalúa resultados para decidir el siguiente paso del itinerario entra en esa descripción. La calificación de alto riesgo no prohíbe nada, pero activa obligaciones —gestión de riesgos, calidad de los datos, documentación técnica, registro de actividad, supervisión humana efectiva— que recaen sobre el proveedor y, en parte, sobre quien lo despliega.
Un uso directamente prohibido
Está prohibido comercializar o usar sistemas de IA para inferir emociones de una persona física en el ámbito del lugar de trabajo y de los centros educativos, salvo cuando el uso responda a razones médicas o de seguridad. Afecta directamente a las funciones de «detección de frustración», «medición del compromiso» o análisis de expresión facial durante la formación que algunas plataformas publicitan como una ventaja. En la Unión Europea no son una ventaja: son un riesgo regulatorio.
Y una obligación que ya aplica a todas las empresas
El artículo 4 del mismo reglamento exige a proveedores y responsables del despliegue adoptar medidas para garantizar un nivel suficiente de alfabetización en IA entre el personal que opera estos sistemas. En un proyecto de aprendizaje adaptativo, los primeros que necesitan esa formación son los tutores y los responsables de formación que van a interpretar lo que el sistema recomienda.
A todo ello se suma el RGPD. Un modelo del alumno es un perfil de una persona identificada, construido con datos de su desempeño laboral y formativo. Hay que definir base jurídica y finalidad, informar con claridad, limitar la conservación y resolver una pregunta incómoda: ¿quién dentro de la empresa puede ver el detalle del progreso individual, y para qué puede usarlo? Si la respuesta incluye decisiones sobre la carrera de esa persona, se entra en el terreno de las decisiones automatizadas y hace falta intervención humana real.
07Cómo pilotarlo sin tirar el presupuesto
El planteamiento es el de cualquier experimento controlado, y es lo que separa una compra informada de un acto de fe:
- Hipótesis falsable: causa → efecto medible → segmento. «El itinerario adaptativo reducirá en un 25 % el tiempo necesario para superar la evaluación de producto en los comerciales de menos de dos años de antigüedad, manteniendo la nota».
- Línea base antes de tocar nada. Tiempo medio, tasa de finalización y resultados actuales del curso que va a sustituir.
- Grupo de comparación. Un grupo equivalente que siga con el formato actual durante el piloto. Sin él, no podrá distinguir el efecto del sistema del efecto de la novedad.
- Evaluación independiente del proveedor. La prueba final no debería construirla quien le vende el contenido, por lo que ya sabemos sobre pruebas locales frente a estandarizadas.
- Medición diferida. Una prueba de retención a las cuatro u ocho semanas. El rendimiento inmediato sobrestima sistemáticamente lo aprendido.
- Criterio de descarte por escrito. Qué resultado le haría no renovar. Si no existe, el piloto no es un experimento: es una compra ya decidida.
08¿Y si la formación es bonificable?
Aquí aparece una tensión que conviene resolver en el diseño y no en la justificación. La formación programada exige una acción formativa identificable, con contenidos, duración y control documental: duración mínima de dos horas, gratuidad para el participante, comunicación de inicio del grupo con al menos dos días naturales de antelación, control de la participación y un mínimo del 75 % de asistencia para dar por finalizado al alumno.
Un itinerario que varía por persona encaja mal con una declaración de horas y contenidos idénticos para todo el grupo. La vía practicable es diseñar la acción formativa con un núcleo común declarado —objetivos, contenidos y duración— y situar la adaptación en el refuerzo, la práctica y el repaso dentro de esa estructura, documentando la actividad de cada participante con los registros que ya genera la plataforma.
La normativa y los criterios de comprobación de FUNDAE se actualizan periódicamente, y la teleformación tiene requisitos propios de seguimiento. Antes de comprometer una bonificación conviene validar el diseño concreto con la entidad organizadora. En Consultae revisamos ese encaje como parte de la gestión de la formación bonificada.
Preguntas frecuentes sobre aprendizaje adaptativo
¿Qué diferencia hay entre aprendizaje adaptativo y personalización?
La personalización es cualquier ajuste al individuo, incluido elegir un itinerario por puesto o por nivel declarado. El aprendizaje adaptativo es el subconjunto en el que el sistema modifica continuamente lo que ofrece a partir del desempeño observado, actividad a actividad.
¿Sustituye la IA al formador?
En la evidencia disponible, los sistemas tutores inteligentes rinden de forma parecida a un tutor humano en tareas bien estructuradas, pero esas tareas son una parte de la formación, no toda. El criterio profesional, la resolución de casos ambiguos y el acompañamiento siguen siendo trabajo humano. El cambio real es que el formador deja de explicar lo mismo veinte veces y pasa a intervenir donde el sistema señala.
¿Hace falta una plataforma nueva o sirve el LMS actual?
Depende del banco de contenidos más que de la plataforma. Sin suficientes actividades etiquetadas por objetivo y dificultad, el mejor motor adaptativo no tiene entre qué elegir. Antes de cambiar de LMS, conviene comprobar si el contenido actual admite ese etiquetado.
¿Qué datos del empleado se están recogiendo?
Como mínimo, respuestas, tiempos, intentos y errores, que constituyen un perfil de desempeño de una persona identificada. Exija al proveedor el detalle de qué se almacena, dónde, cuánto tiempo y con qué base jurídica, y decida internamente quién puede consultar el progreso individual y con qué finalidad.
¿Es legal un sistema que detecta si el alumno está desmotivado?
Si lo hace infiriendo emociones a partir de datos biométricos o de expresión en el contexto laboral o educativo, el Reglamento europeo de IA lo prohíbe salvo por razones médicas o de seguridad. Es distinto de inferir dificultad a partir del desempeño —intentos, errores, abandono de la actividad—, que es lo que hace un sistema adaptativo convencional.
Fuentes
- VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221.
- Kulik, J. A. y Fletcher, J. D. (2016). Effectiveness of intelligent tutoring systems: a meta-analytic review. Review of Educational Research, 86(1), 42–78.
- Pashler, H., McDaniel, M., Rohrer, D. y Bjork, R. (2008). Learning styles: concepts and evidence. Psychological Science in the Public Interest, 9(3), 105–119.
- Reglamento (UE) 2024/1689, anexo III, punto 3: sistemas de alto riesgo en educación y formación profesional.
- Reglamento (UE) 2024/1689, artículo 5.1.f: prohibición de inferir emociones en el trabajo y en centros educativos.
Podemos revisar con usted el diseño de la medición, el encaje con los requisitos de bonificación y las obligaciones que activa el Reglamento europeo de IA antes de que comprometa presupuesto.
Deja una respuesta