Delegar sin abdicar: Autonomía y tecnología educativa en LATAM

En América Latina, la adopción de tecnología educativa se aceleró brutalmente con la pandemia. De Ciudad de México a São Paulo, de Bogotá a Lima, millones de estudiantes migraron a plataformas digitales de un día para el otro. Hoy, el ecosistema EdTech sigue creciendo: aplicaciones de microaprendizaje, tutores basados en LLMs, sistemas de recomendación de contenido, herramientas de feedback automatizado.

El problema más allá del resultado de la prueba

Cuando una plataforma adaptativa le dice a un estudiante en Medellín qué ejercicio hacer a continuación, está tomando una decisión pedagógica. Cuando un sistema de recomendación en una escuela pública de Lima le sugiere cierto contenido según su historial de clics, está perfilando a ese niño. Cuando un asistente de voz en una sala de clases de Santiago responde preguntas en lugar del docente, está redistribuyendo autoridad dentro del aula.

Ninguna de estas acciones es neutral. Y sin embargo, la mayoría se evalúa con un solo criterio: ¿aumentó el rendimiento en la prueba?

Holmes et al. (2021) documentaron que el campo de la inteligencia artificial educativa lleva décadas desarrollando sistemas sofisticados con escasa reflexión ética. Entre los problemas más ignorados destacan la erosión de la agencia docente, la reproducción de desigualdades a través de datos sesgados, y la pregunta de qué se pierde cuando automatizamos la relación pedagógica.

Tres preguntas antes de adoptar cualquier herramienta

Richter (2026) propone un marco para evaluar tecnología educativa desde la autonomía del aprendiz. Además de preguntar si una herramienta es eficiente, importa saber en qué medida preserva o erosiona tres tipos de autonomía:

Autonomía operacional: ¿puede el estudiante rechazar una recomendación del sistema? ¿Puede saltar un ejercicio, cambiar el ritmo, decir "esto no me sirve" sin que el sistema lo penalice o lo ignore? Una plataforma que registra el comportamiento del aprendiz de manera implícita, sin que este lo sepa ni pueda modificarlo, ya está tomando decisiones sobre él en lugar de con él.

Autonomía estratégica: ¿puede el aprendiz definir sus propias metas de aprendizaje, o el sistema las define por él según métricas de desempeño estandarizadas? En contextos latinoamericanos donde la diversidad cultural y lingüística es alta, una comunidad wixárika en Jalisco, una escuela intercultural bilingüe en Oaxaca, un colegio técnico en el Nordeste brasileño, los objetivos de una plataforma diseñada en Silicon Valley o en Madrid raramente coinciden con los de la comunidad que la usa.

Autonomía moral: ¿puede la institución rechazar el sistema sin consecuencias? ¿Puede el docente contradecirlo? Cuando una plataforma se vuelve infraestructura obligatoria, porque el Ministerio la compró, porque todos la usan, porque los datos ya están ahí, la autonomía moral colapsa. El sistema pasa a padecerse.

Lo que se puede delegar y lo que no

No toda función pedagógica tiene el mismo peso. Algunas son administrativas disfrazadas de educación; otras son el corazón del acto de enseñar. Confundirlas es el error más costoso que puede cometer una organización al adoptar tecnología educativa.

Hay funciones que la IA puede desempeñar razonablemente bien: administrar ejercicios de práctica repetitiva, dar retroalimentación inmediata sobre respuestas cerradas, adaptar el ritmo de avance según el historial de respuestas, registrar el progreso. Una plataforma que automatiza la corrección de ejercicios de gramática o el repaso de vocabulario técnico reemplaza el trabajo administrativo que rodeaba a la enseñanza, liberando tiempo para lo que la enseñanza realmente exige. Eso puede ser valioso.

El problema ocurre cuando la delegación alcanza la relación pedagógica misma.

Xu et al. (2025) muestran que los más pequeños son especialmente vulnerables a la antropomorfización: cuando una IA les habla con voz amable y les da retroalimentación personalizada, tienden a atribuirle intenciones, emociones, hasta amistad. Este comportamiento responde a decisiones de diseño deliberadas, con consecuencias sobre cómo los niños aprenden a relacionarse con la autoridad, con el error, con el conocimiento mismo.

El error en educación es un evento relacional. Cuando un estudiante en una escuela técnica en Querétaro responde mal un ejercicio, lo pedagógicamente relevante es que alguien, un docente, un par, un tutor, pueda preguntarle: ¿qué estabas pensando cuando respondiste eso? Esa pregunta abre el proceso cognitivo. El sistema de retroalimentación automática lo cierra.

Lo mismo aplica a la motivación. Las plataformas adaptativas suelen operar sobre un modelo implícitamente conductista: refuerzo positivo, racha de días consecutivos, puntos, insignias. Funciona a corto plazo para comportamientos simples. Pero ese modelo supone que el aprendizaje es una secuencia de respuestas condicionadas y deja fuera la construcción de significado (Richter, 2026). En contextos latinoamericanos donde la conexión entre aprendizaje y proyecto de vida es explícita, aprender para salir del barrio, para sostener a la familia, para ser el primero en la comunidad con un título, reducir la motivación a una lógica de puntos resulta pedagógicamente pobre y culturalmente sordo.

Lo que tampoco puede delegarse es la negociación del sentido. Un grupo de mujeres en un programa de formación laboral en el Gran Buenos Aires aprende contabilidad básica. Una plataforma puede enseñarles a registrar una transacción. Pero la pregunta de para qué sirve esto en mi vida, en mi negocio, en mi comunidad requiere un interlocutor que comparta o al menos comprenda ese horizonte. La IA tiene datos. El horizonte es asunto del interlocutor.

La Fors (2022) lo plantea desde otro ángulo: los sistemas de IA aprenden de las interacciones con los niños y pueden amplificar tanto sesgos negativos como positivos. Su propuesta es crear espacios co-creacionales donde los propios niños participen en dar forma a los sistemas con los que interactúan. Una idea que cobra especial relevancia en América Latina, donde los marcos normativos suelen llegar tarde y los niños ya están usando estas tecnologías sin mediación crítica.

Finalmente, la pregunta ética: ¿debería hacer esto? Exige juicio moral situado. Si un docente debe recomendar que un alumno repita el año, si una institución debe reportar a un niño en situación de vulnerabilidad, si un equipo debe cambiar de enfoque pedagógico porque los resultados no tienen sentido en ese contexto, delegar esas decisiones al sistema, o dejar que las condicione de manera determinante, convierte la toma de decisiones en una evasión de responsabilidad.

Más allá del "funciona"

Adoptar una plataforma de IA en educación implica asumir los valores pedagógicos incorporados en su diseño, casi siempre sin advertirlo. Esa suposición merece escrutinio: ¿qué concepción del aprendizaje tiene el sistema? ¿A quién le asigna autoridad? ¿Qué cuenta como éxito?

Los marcos de Richter, Holmes y La Fors ofrecen condiciones para usar la tecnología con criterio. Preguntas concretas que cualquier equipo puede hacer antes de adoptar una plataforma, antes de firmar un contrato con un proveedor, antes de desplegar un sistema en el aula. La evaluación ética es lo que convierte una apuesta en una decisión informada.

En América Latina, esta evaluación tiene urgencia particular. La región concentra algunos de los sistemas educativos más desiguales del mundo, y el EdTech llega con frecuencia presentado como solución a problemas estructurales: falta de docentes, infraestructura deteriorada, brechas de aprendizaje que acumulan décadas. Una plataforma adaptativa no resuelve esos problemas. Puede gestionarlos cosméticamente mientras los profundiza. O puede, si se adopta con criterio, liberar tiempo docente para las tareas que ningún sistema puede hacer. La diferencia está en quién pregunta qué, y cuándo.

---

Fuentes

• Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Buckingham Shum, S., Santos, O. C., Rodrigo, M. T., Cukurova, M., Bittencourt, I. I., & Koedinger, K. R. (2021). Ethics of AI in Education: Towards a Community-Wide Framework. International Journal of Artificial Intelligence in Education. https://doi.org/10.1007/s40593-021-00239-1

• La Fors, K. (2022). Toward children-centric AI: a case for a growth model in children-AI interactions. AI & Society. https://doi.org/10.1007/s00146-022-01579-9

• Richter, F. (2026). The ethical acceptability of personalization via intelligent systems in education. AI & Society, 41, 3259–3273. https://doi.org/10.1007/s00146-025-02690-3

• Xu, Y., Prado, Y., Severson, R. L., Lovato, S., & Cassell, J. (2025). Growing Up with Artificial Intelligence: Implications for Child Development. En D. A. Christakis & L. Hale (Eds.), Handbook of Children and Screens. https://doi.org/10.1007/978-3-031-69362-5_83