LAB-06 · UI-002 · Dossier comparativo
Inteligencia artificial en educación · Qué modelos están construyendo Cataluña, Japón, China y Europa
Una comparación de políticas y evidencia educativa de IA a partir de una pregunta distinta: qué capacidades humanas y humano–IA produce cada arquitectura de interacción y dónde se inscriben sus controles.
Una política educativa sobre inteligencia artificial hace algo más que permitir o prohibir una herramienta. Distribuye operaciones entre alumno, docente, sistema técnico e institución y, al hacerlo, favorece unas capacidades y unos modos de dependencia frente a otros.
La entrada de la inteligencia artificial en la escuela suele contarse mediante una oposición simple: permitir o prohibir.
La documentación institucional y la evidencia empírica muestran una realidad bastante más rica.
Cataluña fija cautelas de edad, privacidad, supervisión y formación docente. Japón organiza el uso alrededor de finalidad educativa, etapa de desarrollo y juicio humano. China está construyendo una implantación curricular sistemática. La Unión Europea y la OCDE empiezan a separar alfabetización, aprendizaje y capacidad sin IA. Australia lleva los principios hasta el diseño de evaluación. Singapur incorpora parte de la pedagogía en la propia plataforma pública. Estonia combina despliegue nacional, prioridad docente y monitorización. Inglaterra ha llevado reglas de preservación cognitiva hasta los estándares exigidos al producto.
LAB-06 estudia esas decisiones como formas que producen capacidades.
La pregunta comparativa es:
¿qué clase de capacidad humana y humano–IA favorece cada arquitectura educativa y mediante qué mecanismos se vuelve efectiva?
La primera diferencia: usar IA y aprender con IA son cosas distintas
La evidencia reciente obliga a introducir una separación básica.
Un estudiante puede realizar mejor una tarea con ayuda de una IA generativa y, sin embargo, aprender menos de lo que su resultado aparente sugiere. El OECD Digital Education Outlook 2026 resume estudios en los que el acceso a herramientas generalistas mejora el producto inmediato, mientras la ventaja desaparece —e incluso puede invertirse— cuando después se evalúa al alumno sin la herramienta.
Pero tampoco es correcto convertir esa observación en una ley inversa según la cual usar IA necesariamente perjudica el aprendizaje. Los contrastes posteriores de UI-002 encuentran ganancias persistentes cuando la herramienta se utiliza para explicar, buscar, ampliar o recibir andamiaje en vez de sustituir las operaciones que debían producir capacidad.
Por eso ya no basta con medir:
¿el alumno produce un resultado mejor con IA?También hay que medir:
qué capacidad adquiere
qué operación cognitiva conserva
qué entiende del sistema
qué puede verificar
qué puede hacer sin la herramienta
qué puede transferir a otra situación
qué puede hacer mejor con ellaLa OCDE propone una secuencia especialmente útil: desarrollar primero conocimientos y capacidades fundamentales, incorporar después IA educativa con finalidad pedagógica y, finalmente, integrar herramientas generativas generalistas de forma deliberada.
Eso aproxima el problema a una arquitectura de capacidad basal + capacidad aumentada, pero UI-002 ha comprobado que entre ambas hay variables decisivas.
Cataluña: integración mediada, privacidad y supervisión
La página actual de XTEC sobre inteligencia artificial en educación combina formación docente, recursos de aula y cautelas explícitas de seguridad y privacidad.
Para el alumnado menor de 14 años, la orientación general indica que las herramientas generativas generalistas deberían utilizarse bajo una mediación reforzada. La página específica de edades formula con mayor precisión el criterio: 14 años es la edad de referencia recomendada para utilizar IA sin supervisión de un adulto.
La propia XTEC explica además que por debajo de esa edad puede existir uso con autorización parental cuando las condiciones de la plataforma lo permiten.
Esta precisión importa porque convierte una supuesta frontera binaria en varias capas:
edad
+ supervisión
+ autorización
+ términos de la plataforma
+ finalidad educativa
+ tratamiento de datos
+ adecuación pedagógicaLa competencia digital docente en IA añade una dimensión que la primera lectura podía infravalorar. XTEC pide alinear el uso con objetivos de aprendizaje, mantener participación y agencia del alumnado, trabajar metacognición, acordar criterios de uso, declarar la utilización de IA y supervisar corrección y feedback automatizados.
La forma resultante puede describirse provisionalmente como integración mediada: la relación alumno–IA se introduce mediante supervisión, alfabetización, protección de datos, diseño pedagógico y juicio docente.
El umbral de 14 años necesita una lectura jurídica separada
El artículo 7 de la Ley Orgánica 3/2018 establece que el tratamiento de datos de un menor puede fundarse en su propio consentimiento a partir de los 14 años; por debajo de esa edad, cuando la base jurídica sea el consentimiento, se requiere el de quien ejerce patria potestad o tutela.
Eso convierte los 14 años en un umbral jurídico de consentimiento para determinados tratamientos de datos.
La arquitectura educativa contiene, sin embargo, más capas. La Agencia Española de Protección de Datos recuerda, por ejemplo, que el tratamiento necesario para impartir enseñanza reglada y realizar evaluaciones puede estar legitimado por la misión educativa de interés público, sin utilizar el consentimiento del alumno o de su familia como base jurídica. El centro o la Administración siguen siendo responsables de seleccionar y gobernar las plataformas utilizadas.
Por tanto, conviene mantener separadas al menos cinco cuestiones:
- la base jurídica del tratamiento de datos;
- las condiciones de edad del proveedor;
- la autorización y supervisión familiar o escolar;
- la adecuación pedagógica del uso;
- la gobernanza institucional de la herramienta.
LAB-06 desarrolla la comparación institucional. H&C estudia la consecuencia jurídica de esta separación en una pieza específica.
Japón: finalidad, etapa de desarrollo y juicio humano
El Ministerio japonés de Educación revisó sus directrices sobre uso de IA generativa en educación primaria y secundaria y mantiene programas piloto y materiales de apoyo.
Su punto de partida es humano-céntrico: la IA puede complementar y ampliar capacidades humanas, y su utilización debe organizarse alrededor de los objetivos educativos.
La decisión depende de variables como etapa de desarrollo, objetivo y contexto de aprendizaje, riesgos de la actividad, alfabetización informacional, condiciones de uso, participación familiar cuando corresponde y capacidad del docente para incorporar juicio humano.
La evaluación conserva una regla especialmente significativa: la IA puede apoyar procesos, pero la decisión evaluativa final debe incorporar juicio humano del docente.
La forma institucional resultante es contextual y funcional: el valor del uso se decide por lo que hace dentro del aprendizaje y por la capacidad que ayuda a desarrollar.
China: alfabetización sistemática e integración a escala
China sigue otra trayectoria. La política nacional integra educación sobre IA, utilización pedagógica, sistemas de apoyo, evaluación y gobierno en una escala sistémica.
El plan nacional «IA + Educación» plantea una integración profunda de IA y educación, un sistema de alfabetización para las distintas etapas y una transformación progresiva de enseñanza, aprendizaje, administración y evaluación. Entre sus objetivos aparecen pensamiento inteligente, resolución de problemas complejos, alfabetización del profesorado y modalidades de colaboración humano–máquina.
Beijing ofrece una concreción visible mediante educación general en IA y exploración de asistentes de aprendizaje, adaptación personalizada y una nueva relación «docente–alumno–máquina».
La trayectoria puede describirse provisionalmente como alfabetización sistemática + integración institucional.
La cautela sigue siendo necesaria: una política que enseña IA, una que permite usar herramientas generativas y una que reorganiza procesos del sistema no son equivalentes. Cada capa debe evaluarse por separado.
Europa y OCDE: alfabetización, capacidad basal y evaluación independiente
El marco europeo de alfabetización en IA para educación primaria y secundaria transforma «saber que existe la IA» en competencias utilizables: comprender sistemas, relacionarse con ellos, crear, gestionar y evaluarlos de forma crítica, responsable y efectiva.
La OCDE añade una diferencia decisiva: las capacidades fundamentales deben poder desarrollarse y evaluarse sin soporte de GenAI antes de integrar progresivamente herramientas educativas y generalistas.
El patrón se aproxima a:
capacidad basal
→ uso educativo situado
→ aumento
→ evaluación independiente
→ integración generalistaEsto obliga a separar:
acceso a IA ≠ alfabetización en IA ≠ aprendizaje con IA ≠ capacidad humano–IASegundo contraste: la función de la IA cambia el resultado
La primera búsqueda empírica permitió abandonar otra simplificación. El problema depende menos de una magnitud abstracta —«más IA» o «menos IA»— que de qué función ocupa la IA dentro de la arquitectura de aprendizaje.
Un ensayo de campo publicado en PNAS comparó tutores construidos sobre la misma familia tecnológica. Una configuración con pocas salvaguardas elevó mucho el rendimiento durante la práctica, pero produjo deterioro cuando la IA desapareció en el examen. Una configuración con pistas y salvaguardas pedagógicas conservó mejor el aprendizaje posterior. El resultado relevante no era solo el modelo, sino la arquitectura de interacción.
Un ensayo publicado en Scientific Reports encontró, en un contexto universitario concreto, que un tutor de IA diseñado con aprendizaje activo, control de carga cognitiva, andamiaje, feedback dirigido y ritmo individual podía producir mayores ganancias que la condición presencial comparada.
Tutor CoPilot coloca la IA junto al tutor humano en lugar de dársela al alumno como sustituto del proceso. En el ensayo preregistrado, los alumnos atendidos por tutores con apoyo de IA tuvieron una probabilidad cuatro puntos porcentuales mayor de dominar los contenidos; entre tutores inicialmente peor valorados la diferencia alcanzó nueve puntos. Los registros muestran más preguntas orientadoras y menos entrega directa de respuestas.
Los casos apuntan a una diferencia común:
misma familia tecnológica
+ función pedagógica distinta
+ posición distinta dentro de la relación
→ resultados de aprendizaje distintosCuatro posiciones funcionales que conviene distinguir
UI-002 utiliza provisionalmente cuatro posiciones:
- IA como resolutor. Entrega respuestas o completa una parte sustancial de la tarea. Puede aumentar el output inmediato y también desplazar el trabajo cognitivo que debía consolidarse.
- IA como andamiaje. Formula pistas, preguntas, secuencias y feedback que mantienen al alumno dentro del proceso de razonamiento.
- IA como tutor estructurado. Personaliza ritmo y explicación dentro de una arquitectura pedagógica diseñada específicamente para aprender.
- IA como aumento del docente o tutor. Eleva la capacidad del humano que enseña mientras la relación pedagógica directa permanece humana.
Estas posiciones no son etiquetas de producto. Una misma interfaz puede funcionar como resolutor o como andamiaje según el modo efectivo de uso.
Tercer contraste: la función importa, pero no basta
Antes de una nueva búsqueda, LAB-06 congeló cinco predicciones sobre respuesta directa, andamiaje, aumento docente, heterogeneidad y explicación/verificación. La evidencia posterior introdujo apoyo, contraejemplos y correcciones.
1. Respuesta directa y transferencia
Un ensayo con 120 universitarios encontró menor retención 45 días después en el grupo que había estudiado con ChatGPT que en el grupo de estudio tradicional.
Pero un experimento aleatorizado de Contractor y Reyes en 2026 obliga a evitar una regla general. El acceso a IA elevó el conocimiento inmediato y la ganancia persistió una semana después sin IA. Dentro del propio grupo asistido, quienes utilizaron la herramienta para explicar y ampliar obtuvieron mejores ganancias diferidas; quienes la utilizaron para automatizar producción de texto perdieron las mejoras de calidad al retirarse la herramienta.
La conclusión es condicional: la entrega de soluciones aumenta el riesgo de separar output y aprendizaje cuando sustituye elaboración; una interfaz generalista también puede producir aprendizaje persistente cuando su uso real es de aumento.
2. Andamiaje, modo de uso y momento de acceso
Un estudio controlado de 2026 trató el momento de acceso a GenAI como parte del andamiaje: un sistema adaptativo que decidía cuándo habilitar la herramienta mejoró postest y precisión metacognitiva frente al acceso irrestricto.
Un ensayo aleatorizado de educación médica comparó uso de IA con guía mínima frente a una intervención que enseñaba prompting estratégico, verificación crítica e integración clínica. La condición guiada mejoró examen final y razonamiento clínico y produjo conversaciones con más verificación y diálogo iterativo.
Gallegos aporta un contraste especialmente limpio: aumentar adopción y conocimiento de un asistente específico del curso no mejoró el rendimiento; enseñar después a utilizarlo con orientación de aprendizaje desplazó las conversaciones hacia interacción tipo tutor, mejoró el examen final en 0,21 desviaciones estándar y elevó 12 puntos porcentuales la probabilidad de aprobar.
El andamiaje no es solo contenido. Incluye modo de uso, secuencia, intensidad y momento de acceso.
3. Aumento del docente
Tutor CoPilot apoya una configuración específica: la IA puede elevar la calidad de la mediación humana sin ocupar directamente la posición del alumno en el proceso cognitivo. La generalización a otras edades, materias y formas de docencia permanece abierta.
4. Las condiciones iniciales modifican el efecto
La heterogeneidad no puede reducirse a «nivel del alumno». Los contrastes señalan al menos conocimiento previo del dominio, competencia de uso de IA, calidad inicial del tutor, complejidad de la tarea y tipo de apoyo.
Eso obliga a abandonar reglas pedagógicas universales que no especifican para quién, en qué tarea y en qué momento operan.
5. Explicar no protege siempre el aprendizaje
Este contraste corrige una formulación anterior de UI-002.
El ensayo de educación médica apoya una arquitectura con verificación crítica, diálogo iterativo y aplicación situada. Sin embargo, un trabajo presentado en AMCIS 2026 encontró que imponer una tarea de autoexplicación antes del diálogo con GenAI redujo la transferencia frente a otras condiciones, especialmente entre participantes con menor familiaridad inicial.
Por tanto, la secuencia anterior:
hacer → hacer con IA → explicar → verificar → defenderno debe leerse como receta universal.
La formulación que sobrevive al contraste es más precisa:
Explicar, verificar y defender pueden fortalecer aprendizaje cuando forman parte de una arquitectura adecuada a la capacidad previa y a la tarea; imponer esas operaciones de forma mecánica también puede aumentar carga y perjudicar transferencia.
Automatización y aumento: una diferencia transversal
El tercer contraste introduce una distinción que atraviesa las cuatro posiciones funcionales:
- automatización: la IA absorbe una operación que debía producir capacidad en el alumno;
- aumento: la IA redistribuye tiempo, información, feedback o explicación mientras la persona conserva operaciones de comprensión y elaboración.
Un tutor de IA puede aumentar o automatizar. Una interfaz generalista también. Por eso el nombre de la herramienta no determina la arquitectura educativa.
La pregunta operativa pasa a ser:
¿qué operación realiza el sistema?
¿qué operación conserva la persona?
¿cuándo aparece la ayuda?
¿qué capacidad queda cuando la ayuda desaparece?Segundo grupo institucional: Australia, Singapur, Estonia e Inglaterra
Una vez ampliada la evidencia, UI-002 congeló un segundo grupo de predicciones y contrastó cuatro marcos suficientemente distintos. El resultado obliga a mirar no solo qué dice la política, sino dónde se convierte en operación.
Australia: los principios llegan a la evaluación
El Australian Framework for Generative AI in Schools mantiene seis principios nacionales y vincula el uso a pensamiento crítico, creatividad, alfabetización y autoridad docente. Para UI-002 resulta especialmente relevante que actividades y evaluaciones deban hacer visible cómo puede utilizarse IA de modo que la capacidad del alumno pueda evaluarse con claridad.
Australia muestra que una política de principios puede incluir una arquitectura mínima de evaluación sin prescribir una secuencia pedagógica uniforme.
Singapur: la política entra en la interfaz
El Student Learning Space permite observar otra escala. El Learning Assistant es un agente dialógico incorporado a la plataforma pública y diseñado para guiar mediante interacción iterativa.
Antes de usar las funciones de IA, el alumnado dispone de módulos básicos. El docente puede fijar límites de interacción y revisar los historiales; el alumno recibe recordatorios de que las respuestas pueden ser inexactas y debe reflexionar y verificar. Para Primary 4 a 6, la guía recomienda además uso supervisado en clase.
Aquí la intención pedagógica deja de vivir únicamente en una guía y pasa a arquitectura de plataforma y producto.
Estonia: despliegue intensivo, prioridad docente y monitorización
AI Leap combina acceso nacional, formación y experimentación. Su formulación pública insiste en aprender a pensar con IA y no en lugar de pensar, prioriza la competencia docente y declara monitorización basada en investigación sobre aprendizaje, pensamiento y uso tecnológico.
Estonia aporta otra forma: despliegue intensivo + teacher-first + monitorización empírica, con menos microreglas públicas que Singapur o los estándares ingleses.
Inglaterra: la microarquitectura llega al producto
La política general deja margen a escuelas y colleges, pero los estándares de seguridad para productos GenAI actualizados en enero de 2026 introducen reglas muy concretas para productos dirigidos a alumnos.
Por defecto, esperan evitar respuestas finales y soluciones completas, utilizar revelación progresiva, pedir un intento o explicación antes de ampliar ayuda, reservar la solución completa hasta después de un intento genuino e introducir fricción o aprobación docente antes de pasar a modos que facilitan soluciones completas.
Los estándares exigen además registrar y monitorizar descarga cognitiva, patrones y duración de uso, y mantener planes de impacto sobre desarrollo infantil con medidas y revisiones periódicas.
La sorpresa es importante: una política puede conceder autonomía institucional de elección y, al mismo tiempo, exigir microarquitectura pedagógica al producto.
Dos variables de gobernanza que faltaban
Los ocho sistemas comparados muestran que una misma finalidad puede producir efectos distintos según dónde se codifique y cómo se revise.
G1 · Lugar de inscripción del control
¿Dónde vive la regla?
ley/regulación
→ política
→ currículo
→ competencia docente
→ consigna de actividad
→ evaluación
→ plataforma
→ productoUna recomendación al docente y una restricción implementada en la interfaz pueden perseguir la misma finalidad, pero no tienen la misma fuerza, observabilidad ni coste de incumplimiento.
G2 · Bucle de revisión y aprendizaje institucional
¿Qué evidencia vuelve al sistema y puede modificarlo?
uso
→ logs / observación / resultados
→ evaluación
→ revisión de política o producto
→ nueva configuraciónAustralia prevé revisión periódica del marco. Singapur conserva interacciones y evalúa herramientas antes y durante su despliegue. Estonia declara monitorización basada en investigación. Inglaterra exige monitorización y planes de impacto y declara que sus estándares pueden modificarse a medida que aparezca nueva evidencia.
Eso introduce una segunda dimensión: una buena arquitectura no es solo la que fija una regla adecuada hoy, sino la que puede aprender de los efectos que produce.
Primer contraste G2: revisar, conservar y cambiar no son lo mismo
LAB-06 congeló antes de la búsqueda una predicción más exigente: si G2 representa aprendizaje institucional real, debería poder reconstruirse al menos un caso con configuración previa → evidencia → decisión → modificación identificable y, al mismo tiempo, encontrar controles donde esa cadena no pueda demostrarse.
Inglaterra ofrece el primer apoyo. El Department for Education publicó sus estándares de seguridad para productos de IA generativa en enero de 2025 y los actualizó en enero de 2026 con cuatro bloques nuevos —desarrollo cognitivo, desarrollo emocional y social, salud mental y manipulación—. Una respuesta parlamentaria oficial posterior afirma que los nuevos estándares fueron configurados por el feedback de más de mil alumnos. La relación entre evidencia participativa, revisión y cambio aparece aquí de forma documentalmente explícita.
Australia aporta el control contrario. Su marco nacional incorpora revisión periódica; la revisión de 2024, respaldada en 2025, concluyó que el marco existente seguía cubriendo adecuadamente los riesgos presentes y emergentes. No aparece una reconfiguración sustantiva atribuida a esa revisión.
La diferencia corrige una inferencia fácil:
revisar ≠ cambiar siempreUna organización puede aprender y concluir que debe conservar la configuración. Lo relevante es poder reconstruir qué evidencia entró en la decisión y qué resultado produjo.
Singapur ocupa una posición indeterminada en este primer contraste: SLS declara evolución continua a partir de necesidades curriculares y feedback y muestra actualizaciones de Learning Assistant, pero las fuentes localizadas no permiten atribuir un cambio específico a un feedback específico.
Un caso operacional fuerte: Khanmigo
Khanmigo permite observar G2 en la escala del producto y con datos posteriores al uso.
Entre octubre de 2025 y abril de 2026, Khan Academy publicó una serie de pruebas de producto sobre más de quince millones de hilos de tutoría. Una de sus métricas centrales es next-item correctness: si el alumno resuelve correctamente el siguiente problema de la misma habilidad, dentro de la misma sesión y sin ayuda de Khanmigo.
La organización informa de resultados que distinguen cambios útiles de cambios neutros o contraproducentes. Dar al tutor señales estructuradas del historial reciente del alumno mejoró esa medida; hacer visibles prerrequisitos no dominados produjo otra mejora; otras modificaciones no movieron la métrica. Las variantes se evalúan frente a la experiencia existente antes de desplegarse ampliamente y pueden conservarse, descartarse o reformularse.
La cadena es mucho más fuerte que una cláusula genérica de monitorización:
uso real
→ experimento de producto
→ métrica de aprendizaje próxima + métricas de guardia
→ decisión
→ desplegar / descartar / reformular
→ nueva configuraciónEl método aparece además en un trabajo del equipo de Khan Academy incluido en las actas revisadas de AIED 2026. Eso mejora la trazabilidad metodológica, pero no convierte el resultado en una réplica independiente: la evidencia sigue siendo producida por el desarrollador del producto.
Este caso añade otra precisión a G2. Una organización aprende respecto de aquello que su arquitectura de evaluación puede detectar. Next-item correctness es más informativa que medir únicamente uso, satisfacción o output inmediato, pero sigue siendo transferencia próxima. No demuestra por sí sola retención a largo plazo, transferencia lejana o efectos homogéneos entre poblaciones.
Por tanto, el bucle completo debe observar también qué métrica lo gobierna:
uso
→ evidencia
→ métrica o criterio
→ decisión
→ conservar / modificar / retirar / escalar / restringir
→ nueva configuración
→ nuevo usoArquitectura ampliada de UI-002
La matriz vigente ya no pregunta únicamente «cuánta IA» o «a qué edad». Observa once variables:
- función que ocupa la IA;
- operación humana preservada;
- momento de acceso;
- control de intensidad y retirada;
- condiciones iniciales;
- evidencia de capacidad sin IA;
- transferencia;
- capacidad conjunta humano–IA;
- continuidad cuando la herramienta cambia o desaparece;
- G1 · lugar de inscripción del control;
- G2 · bucle de revisión y aprendizaje institucional.
La arquitectura operativa provisional puede representarse así:
objetivo
→ capacidad previa
→ operación humana preservada
→ función asignada a IA
→ acceso e intensidad
→ supervisión
→ evaluación con y sin IA
→ transferencia
→ continuidadcon una segunda capa de gobierno:
regla
→ lugar donde se codifica
→ evidencia y métrica
→ revisión
→ decisión
→ nueva regla o configuraciónOcho sistemas, ocho formas de convertir intención en arquitectura
| Marco | Forma dominante observada |
|---|---|
| Cataluña | competencia docente + mediación + proceso de evaluación |
| Japón | calibración por desarrollo, finalidad y contexto |
| China | alfabetización e integración sistémica a escala |
| UE / OCDE | capacidad basal + alfabetización + evaluación independiente |
| Australia | principios nacionales + diseño explícito de evaluación |
| Singapur | gobernanza y pedagogía incorporadas en plataforma |
| Estonia | despliegue intensivo + teacher-first + monitorización |
| Inglaterra | autonomía de centros + microarquitectura exigida al producto |
La tabla no ordena países de mejor a peor. Muestra lugares distintos de inscripción de la política.
Hallazgo provisional
La hipótesis inicial —«el efecto depende de la función que ocupa la IA»— sigue siendo útil, pero ya es insuficiente.
El hallazgo actual es más exigente:
El efecto educativo depende de la arquitectura real de interacción: qué función ocupa la IA, qué operación conserva la persona, cuándo aparece la ayuda, cómo se usa efectivamente, qué condiciones iniciales existen y cómo se evalúa después. La gobernanza depende además de dónde se inscribe la regla, qué evidencia vuelve al sistema y qué métrica convierte esa experiencia en una decisión de conservar o modificar la configuración.
Esta formulación permite distinguir dos errores simétricos: pensar que toda asistencia produce dependencia y pensar que cualquier mecanismo de explicación, verificación o supervisión protege automáticamente el aprendizaje.
La evidencia disponible no sostiene ninguno de los dos extremos.
Qué queda abierto
UI-002 ha ejecutado ya tres contrastes empíricos, dos grupos institucionales y un primer contraste específico de G2 con casos favorables, adversos e indeterminados.
La arquitectura acumulada puede tratarse ya como patrón provisional apoyado e instrumento de análisis. Todavía no se presenta como guía general fuerte: el corpus institucional contiene niveles de evidencia desiguales y el caso operacional más limpio procede del propio desarrollador.
La siguiente búsqueda ya no necesita añadir países. Debe aumentar la fuerza probatoria:
¿podemos encontrar una replicación o validación independiente de un bucle fuerte —preferentemente con retención o transferencia más distante— o una implantación pública donde resultados posteriores al despliegue estén vinculados documentalmente a un cambio de política, producto o escala?
Ese contraste permitirá decidir si la arquitectura está madura para convertirse en una primera guía pública de decisión educativa o si debe permanecer como instrumento de laboratorio.
Fuentes institucionales
- XTEC · Intel·ligència artificial en educació
- XTEC · Edat mínima per utilitzar la IA
- XTEC · Competència digital docent en intel·ligència artificial
- BOE · Ley Orgánica 3/2018, artículo 7
- AEPD · Clases y exámenes online y base jurídica del tratamiento
- AEPD · Principios para plataformas educativas digitales
- MEXT · School use of generative AI
- MEXT · Guideline for the Use of Generative AI in Primary and Secondary Education
- Ministry of Education of China · «Artificial Intelligence + Education» Action Plan
- Beijing Municipal Government · AI education plan 2025–2027
- European Commission · AI Literacy Framework
- OECD · Digital Education Outlook 2026
- Australian Government · Australian Framework for Generative AI in Schools
- Australian Government · 2024 Review of the Australian Framework for Generative AI in Schools
- Singapore Student Learning Space · AI-enabled features
- Singapore Student Learning Space · Learning Assistant student guide
- Estonian Ministry of Education and Research · AI Leap and thinking with AI
- UK Department for Education · Generative AI product safety standards
- UK Parliament · respuesta escrita sobre feedback del alumnado y estándares GenAI
Evidencia empírica y operacional contrastada
- Bastani et al. · Generative AI without guardrails can harm learning · PNAS
- Kestin et al. · AI tutoring outperforms in-class active learning · Scientific Reports
- Wang et al. · Tutor CoPilot
- Estudio de retención a 45 días · Social Sciences & Humanities Open
- Contractor y Reyes · Experimental Evidence on the Learning Impact of Generative AI · IZA
- Rotter et al. · Adaptive access to GenAI · preprint
- Ensayo de educación médica sobre uso guiado de IA
- Gallegos · Guidance over Adoption: Experimental Evidence on AI-Assisted Learning · IZA
- Estudio sobre preparación y competencia de uso de IA
- AMCIS 2026 · autoexplicación y transferencia
- Khan Academy · How Khan Academy Is Building a Better AI Tutor
- Udeshi et al. · Methodologies for Improving the Quality of AI Tutoring in K-12 Education · AIED 2026
Los working papers, preprints y resultados producidos por los propios desarrolladores se utilizan con el peso correspondiente a su capa de fuente. La revisión por pares de una metodología no se trata como replicación independiente de sus resultados operacionales.
Derivaciones
Esta unidad mantiene dos salidas activas:
- Paraíso: seguimiento comparativo de políticas, arquitectura de interacción y evidencia sobre capacidad humana y humano–IA.
- H&C: análisis jurídico de edad, bases de tratamiento, autorización, plataforma, evaluación, diligencia y gobernanza educativa como capas distintas.