Publicado el 18 de marzo de 2026 Actualizado el 18 de marzo de 2026
Hay una ambición educativa que ha atravesado los siglos sin perder nunca su actualidad: adaptar el reto "al alumno". Si es demasiado fácil, aburre y distrae; si es demasiado difícil, desanima y quiebra la confianza. Entre estos dos escollos se encuentra lo que Lev Vygotsky conceptualizó como la zona de desarrollo próximo: ese espacio sutil donde el alumno puede progresar siempre que se le apoye, guíe y acompañe. Adaptarse no es, pues, sólo una cuestión de dosificar la dificultad, sino de discernir el momento adecuado, la tensión fructífera, la distancia justa entre lo aprendido y lo que puede venir.
Durante mucho tiempo, este ajuste fue un arte. Un arte basado en la observación, la experiencia y la intuición profesional. El profesor observa una vacilación, percibe una tensión, oye un silencio demasiado denso para ser inofensivo. Reformula, ralentiza, acelera, sugiere una analogía, cambia de registro. Su gesto no es pura improvisación: se basa en conocimientos teóricos, modelos y marcos conceptuales. Pero sigue estando situado, encarnado, relacional. Requiere una comprensión detallada de la situación, de la historia del alumno, de la dinámica del grupo y del clima emocional.
Hoy en día, esta vieja ambición está siendo satisfecha por la nueva tecnología. Las plataformas adaptativas, los entornos digitales de aprendizaje y los sistemas de análisis educativo prometen ajustar automáticamente la dificultad para cada alumno. Los tiempos de respuesta, las tasas de error, la frecuencia de los intentos, la regularidad de las conexiones: todo ello son trazas digitales que alimentan modelos predictivos capaces de modular la trayectoria de aprendizaje en tiempo real. El algoritmo se convierte así en el arquitecto discreto de la personalización continua.
La promesa es seductora. Donde los profesores tienen que lidiar con números, fatiga y limitaciones de tiempo, las máquinas procesan volúmenes masivos de datos sin descanso. Identifica correlaciones invisibles para el ojo humano, detecta tendencias de abandono temprano y ajusta instantáneamente la dificultad de un ítem.
Desde la perspectiva de la racionalidad limitada descrita por Herbert Simon, delegar ciertas decisiones en sistemas informáticos parece una estrategia eficaz: optimizar localmente las trayectorias de aprendizaje a partir de indicadores objetivados. A primera vista, el algoritmo parece hacer realidad el sueño educativo de un ajuste permanente, individualizado y libre de sesgos subjetivos. Promete un nuevo nivel de equidad: cada cual progresa a su ritmo, según sus necesidades, sin compararse con la media del grupo. También promete una mayor eficacia: menos tiempo perdido en ejercicios demasiado sencillos, menos abandonos ante tareas prematuramente complejas. La adaptación se vuelve dinámica, continua y calculada.
Pero hay que plantearse una pregunta: ¿calibrar un reto se reduce a optimizar los indicadores de rendimiento? ¿El ajuste "a su medida" puede deducirse enteramente de los datos de comportamiento? En otras palabras, ¿es suficiente lo que mide el algoritmo para describir lo que está cambiando en un alumno?
La teoría del flujo, desarrollada por Mihaly Csikszentmihalyi, ha demostrado que el compromiso óptimo surge de un delicado equilibrio entre el reto y la competencia percibida. Esta competencia percibida no puede reducirse estrictamente al rendimiento observado. Implica confianza, sentimientos de eficacia personal y el significado atribuido a la tarea. Del mismo modo, la teoría de la carga cognitiva de John Sweller nos recuerda que la dificultad objetiva de una actividad no siempre coincide con la carga que soporta realmente el alumno. Un contexto que provoque ansiedad, unas instrucciones ambiguas o la presión evaluativa pueden aumentar la carga más allá de lo que sugieren las métricas.
Así pues, el ajuste algorítmico opera principalmente sobre variables observables: precisión de las respuestas, velocidad, repetición o progresión secuencial. Optimiza las trayectorias de entrenamiento. Pero aprender es algo más que aprobar una serie de ítems; aprender significa transformar sus representaciones, integrar los conocimientos en una red de significados y desarrollar una identidad profesional.
Aquí es donde surge la tensión que constituye el núcleo de este artículo. Es innegable que el algoritmo puede servir de apoyo al ajuste pedagógico. Puede revelar regularidades, objetivar dificultades y advertir de debilidades. Pero no percibe el temblor de una voz durante una simulación clínica, la postura vacilante de un alumno que se enfrenta a su primera responsabilidad o la dinámica silenciosa de un grupo que se compara y juzga mutuamente. Individualiza a partir de datos; el profesor contextualiza a partir de una situación.
La filosofía de la tecnología, en particular la de Gilbert Simondon, nos invita a mirar más allá de la oposición simplista entre ser humano y máquina. La tecnología no es enemiga del ser humano; amplía sus capacidades, pero también transforma las condiciones de la acción. Cuando el calibrado se vuelve automatizable, el riesgo no es tanto la desaparición del profesor como la redefinición silenciosa de su papel. Si el ajuste se confía a los algoritmos, ¿qué queda del discernimiento pedagógico? ¿La supervisión marginal? ¿La validación formal? ¿O, por el contrario, una mayor responsabilidad de interpretación y sentido?
El reto no es oponer la pericia humana a la adaptación algorítmica, sino aclarar los límites entre ambas. Optimizar las trayectorias de aprendizaje no significa necesariamente fomentar un progreso significativo. El rendimiento mensurable no siempre coincide con la maduración intelectual o profesional. Confundir ambas cosas sería reducir la complejidad educativa a un problema de ingeniería estadística.
En la era de las plataformas adaptativas, la "adaptación" ya no puede concebirse como un gesto exclusivamente intuitivo; pero tampoco puede dejarse únicamente en manos de la lógica computacional. Tenemos que redefinir el arte de la calibración: entender lo que el algoritmo hace bien -y a veces mejor que nosotros-, reconocer lo que no puede captar y asumir la parte irreductible de juicio, interpretación y responsabilidad que sigue siendo humana.
Porque detrás de la cuestión técnica se esconde una cuestión más profunda: ¿qué es el aprendizaje y qué es lo que realmente queremos ajustar? ¿Una puntuación? ¿Un porcentaje de éxito? ¿O la trayectoria única de un individuo en desarrollo? Es en esta frontera movediza y exigente, entre la optimización y el discernimiento, donde este artículo se propone explorar.
El auge de las plataformas adaptativas y de los entornos digitales de aprendizaje no es una simple moda tecnológica. Es parte de un cambio profundo: la posibilidad, ahora una realidad, de recopilar, procesar y explotar continuamente las huellas de la actividad de aprendizaje. Cada clic, cada respuesta, cada periodo de latencia se convierten en datos. El aprendizaje deja una huella digital que puede explotarse. A partir de estas huellas, el algoritmo realiza ajustes.
Este primer movimiento merece ser analizado sin caricaturas. Porque el ajuste algorítmico no es sólo una promesa de marketing. Se basa en modelos estadísticos robustos y en una ingeniería sofisticada que transforman eficazmente las condiciones de la personalización.
Los sistemas adaptativos funcionan según una lógica aparentemente sencilla: medir para modular. El tiempo de respuesta a un ítem, la tasa de error para una habilidad determinada, la regularidad de las conexiones, la persistencia tras un fracaso, la secuencia de intentos... son indicadores que alimentan los modelos predictivos. El objetivo no es sólo descriptivo, sino también prescriptivo. A partir de datos anteriores, el sistema infiere la probabilidad de éxito futuro y ajusta la dificultad en consecuencia.
Desde esta perspectiva, el aprendizaje se convierte en una trayectoria optimizable. Cada alumno se sitúa en un espacio de probabilidades: ¿qué conceptos domina? ¿Cuáles son frágiles? ¿Qué nivel de desafío maximiza la probabilidad de compromiso y éxito? El algoritmo busca el punto de equilibrio estadístico, donde el error está presente lo suficiente como para estimular el esfuerzo, pero no tanto como para desanimarlo.
Esta lógica remite a la racionalidad instrumental en el sentido de Herbert Simon: frente a la complejidad de la realidad, se construyen modelos simplificados que permiten tomar decisiones eficaces en un entorno incierto. El algoritmo no pretende comprender al alumno en su conjunto; se ocupa de variables observables y optimiza bajo restricciones. Su horizonte es la mejora mensurable de los indicadores definidos anteriormente.
Desde este punto de vista, la enseñanza se convierte en parte en una ciencia de flujos: flujos de respuestas, flujos de progreso, flujos de corrección. Los ajustes se realizan en tiempo real, sin demora, sin fatiga, sin cambios de humor. A gran escala, esta capacidad es una baza innegable.
Uno de los argumentos más poderosos a favor de la adaptación algorítmica es la promesa de objetividad. Mientras que los profesores pueden verse influidos -consciente o inconscientemente- por sesgos de expectativas, impresiones subjetivas o comparaciones implícitas entre alumnos, la máquina aplica las mismas reglas a todos. No "prefiere" a nadie. Calcula.
En contextos de formación masiva o híbrida, esta normalización puede contribuir a reducir ciertas desigualdades. El alumno rápido ya no se ve frenado por el ritmo del grupo; el alumno con dificultades se beneficia de ejercicios específicos adicionales sin verse expuesto públicamente por su retraso. El itinerario de aprendizaje se vuelve único, casi íntimo.
Además, el algoritmo permite realizar ajustes a un nivel de granularidad inaccesible para los seres humanos. Un profesor puede percibir que un alumno tiene "dificultades" con un concepto. El sistema, en cambio, identifica con precisión las microhabilidades implicadas: confusión conceptual, automatización incompleta, transferencia incompleta. Modula el nivel de dificultad en función del ítem, ajusta la frecuencia del repaso y activa la repetición espaciada optimizada.
Desde esta perspectiva, la adaptación algorítmica aparece como una extensión de la capacidad pedagógica humana. Ofrece una visión simultáneamente panorámica y microanalítica. Transforma la gestión educativa en un proceso basado en datos detallados y continuamente actualizados.
Pero es precisamente en esta eficacia donde se produce un cambio conceptual. La optimización se centra principalmente en el rendimiento observable: aprobar un ítem, mejorar una puntuación, reducir el tiempo de respuesta, estabilizar una tasa de error. En otras palabras, el algoritmo ajusta lo que es medible.
Sin embargo, el éxito a corto plazo no siempre es sinónimo de aprendizaje sostenible. Un alumno puede mejorar rápidamente su rendimiento familiarizándose con el formato de un ejercicio sin cambiar radicalmente sus representaciones. Puede optimizar su estrategia de respuesta sin consolidar su comprensión conceptual. El algoritmo, basado en los datos disponibles, tiende a reforzar lo que mejora los indicadores.
Aquí es donde vemos una sutil tensión: la plataforma optimiza las trayectorias de ejercicio, pero la pedagogía se dirige a las trayectorias de transformación. La diferencia puede parecer leve, pero es decisiva. Optimizar una puntuación es una cuestión de rendimiento. Transformar una relación con el conocimiento es un proceso más largo, más complejo y menos inmediatamente mensurable.
El riesgo no es que el algoritmo se equivoque -puede ser extremadamente eficaz a su manera-, sino que imponga insensiblemente su manera de hacer las cosas como norma. Cuando los cuadros de mando ocupan un lugar central, cuando los indicadores estructuran la toma de decisiones, es grande la tentación de confundir la mejora de las métricas con el progreso real. Lo que no es visible en los datos tiende a perder su valor a los ojos del sistema.
Así pues, el ajuste algorítmico funciona según una lógica coherente: medir, modelizar y optimizar. Destaca en la detección de patrones, el ajuste de dificultades y la gestión individualizada a gran escala. Es una poderosa herramienta de ingeniería educativa.
Pero precisamente porque es potente, exige una vigilancia crítica. Porque lo que el algoritmo ve y ajusta corresponde a las variables que puede captar. Pero la experiencia de aprendizaje va más allá de estas variables.
Aquí empieza la pregunta decisiva: ¿qué ocurre en el espacio no medido? ¿Qué ocurre con el ajuste cuando nos alejamos de los indicadores y entramos en la relación, el afecto, la dinámica de grupo y la historia individual del alumno?
Lo que optimiza el algoritmo se puede medir. Lo que percibe el profesor a menudo va más allá de la medición. Es hacia esta zona gris, no oscura sino no cuantificada, hacia donde debe dirigirse ahora el análisis.
Mientras que los algoritmos sobresalen en el tratamiento de variables observables, los educadores trabajan en una profundidad de signos que va más allá del trazo digital. Donde la máquina capta el rendimiento, el educador percibe las situaciones. Donde el algoritmo ajusta un nivel de dificultad, el profesor ajusta una relación, un clima, una sensación de confianza.
No se trata de oponer racionalidad e intuición, sino de reconocer que la actividad docente moviliza registros que los datos sólo captan parcialmente. Ajustar "para encajar" no consiste sólo en calibrar una tarea, sino también en leer a un sujeto en desarrollo.
En una sala de formación, ya sea física o virtual, el aprendizaje adopta la forma de microeventos. Una mirada que se aparta ante una pregunta. Una vacilación que dura demasiado antes de hablar. Una postura corporal que se cierra. Una risa nerviosa ante una situación.
Estas débiles señales no son anecdóticas. Son pistas interpretativas. El profesor experimentado no las observa como datos aislados, sino como configuraciones. Se fija en la postura, el contexto, la historia del alumno y la dinámica del grupo. Infiere fragilidad, preocupación y, a veces, una falta de comprensión enmascarada por una buena actuación.
Hasta la fecha, ninguna plataforma adaptativa ha captado plenamente esta dimensión encarnada del aprendizaje. Incluso cuando se mejoran con sofisticados análisis de comportamiento, los datos siguen siendo una abstracción: describen interacciones con un dispositivo, no la experiencia completa.
El discernimiento pedagógico se basa precisamente en esta capacidad de articular elementos heterogéneos -verbales, no verbales, contextuales- en una interpretación situada. No se trata tanto de una "intuición" en sentido vago como de una pericia derivada de la experiencia acumulada, comparable a la de un clínico que reconoce una configuración incluso antes de poder explicarla formalmente.
La teoría del flujo desarrollada por Mihaly Csikszentmihalyi nos recuerda que el compromiso óptimo depende del equilibrio entre el reto y la competencia percibida. Pero la competencia percibida no siempre está correlacionada con el rendimiento observado.
Un alumno puede aprobar un ejercicio pero seguir teniendo serias dudas sobre su legitimidad. Otro puede fracasar momentáneamente mientras conserva una gran confianza en su capacidad para progresar. El algoritmo ve el acierto o el error; el profesor percibe el tono emocional que los acompaña.
En los cursos de formación profesional, en particular, esta dimensión es crucial. El aprendizaje implica una identidad en construcción. Los alumnos no sólo buscan "aprobar un tema"; buscan ser competentes, responsables y reconocidos.
Por tanto, la adaptación de los métodos pedagógicos debe tener en cuenta factores simbólicos: el miedo a hacerlo mal, el miedo a ser juzgado, la relación con la autoridad y la escolarización previa. Todos estos factores influyen en la manera de vivir un reto. Una tarea objetivamente accesible puede resultar subjetivamente amenazadora. A la inversa, un reto exigente puede convertirse en una fuerza motriz si la confianza es suficiente.
La teoría de la carga cognitiva de John Sweller subraya que la dificultad de una tarea no depende únicamente de su estructura intrínseca. El contexto emocional y motivacional modifica la carga realmente soportada. Pero estos parámetros están en gran medida fuera del alcance de las métricas cuantitativas.
Por tanto, ajustar la dificultad no es sólo cuestión de calibrar un nivel de complejidad conceptual. También significa regular una dinámica psicológica. A veces significa aligerar la presión antes de aumentar las exigencias. A veces, por el contrario, significa provocar una ligera incomodidad para sensibilizar. Esta puesta a punto se basa en una lectura situacional, imposible de deducir a partir de una puntuación aislada.
Los algoritmos individualizan. El profesor contextualiza.
En una clase, el aprendizaje nunca se produce exclusivamente a nivel individual. Está impregnado de dinámicas colectivas: comparación implícita, solidaridad, rivalidad, contagio emocional. Un alumno con dificultades puede verse apoyado por el grupo o, por el contrario, sentirse expuesto a él. El éxito individual puede reforzar o debilitar la cohesión.
La calibración humana incorpora esta dimensión sistémica. Ajustar un reto para un alumno significa a veces tener en cuenta el efecto sobre los demás. Introducir una actividad más compleja puede estimular a todo el grupo. Mantener un ritmo más lento puede hacer más seguro un clima frágil.
La filosofía de la tecnología de Gilbert Simondon nos recuerda que los objetos técnicos funcionan según sus propios modos de operación. Los algoritmos funcionan dentro de un marco formalizado; procesan variables definidas. Los humanos, en cambio, operan en una situación abierta, evolutiva e imprevisible.
Esta diferencia no es un defecto de la máquina, sino una marca de su naturaleza. Pero sí significa que la calibración algorítmica no puede pretender agotar la complejidad educativa. Ajustar un reto de formación significa tener en cuenta cuestiones éticas, responsabilidades futuras y expectativas institucionales. Se trata de dimensiones cualitativas, normativas y situadas.
El educador no se contenta con optimizar una trayectoria individual; debe velar por la coherencia de un itinerario, la maduración de un grupo y la significación global de la experiencia. Su discernimiento se ejerce a través de una serie de registros que los datos sólo captan parcialmente.
En última instancia, lo que ve el profesor va más allá de lo que registran los datos. No porque la máquina sea incapaz de progresar, sino porque el aprendizaje es un fenómeno encarnado, relacional y simbólico.
El algoritmo individualiza basándose en rastros. El profesor contextualiza a partir de una situación viva. Esta distinción abre una tensión fértil: ¿cómo combinar la eficacia de la individualización estadística con la profundidad de la contextualización humana?
Es precisamente esta tensión la que nos lleva a examinar más de cerca la diferencia entre individualización algorítmica y contextualización pedagógica. Porque "individualizar" no significa sólo adaptar un nivel de dificultad. Significa también comprender lo que significa aprender en un contexto determinado.
Si el algoritmo individualiza y el profesor contextualiza, la cuestión se vuelve más precisa: ¿en qué cambia este cambio de escala? Individualizar implica ajustar un curso en función de los datos específicos de una asignatura. Contextualizar implica situar al sujeto en una situación, una historia, un grupo, un horizonte profesional.
Este cambio es decisivo. Ajustar un reto no consiste simplemente en calibrar una dificultad cognitiva; implica comprender el significado del aprendizaje en un entorno determinado.
Los sistemas adaptativos se basan en la segmentación. A partir de las huellas recogidas, construyen perfiles: alumnos rápidos pero imprecisos, alumnos regulares pero lentos, alumnos buenos memorizando pero frágiles a la hora de transferir conocimientos, etc. Estos perfiles pueden utilizarse para orientar itinerarios de aprendizaje diferenciados.
En términos técnicos, esto implica a menudo la agrupación, la modelización bayesiana y las redes neuronales predictivas. El objetivo es identificar patrones recurrentes para ofrecer el recurso más pertinente en el momento adecuado.
En esta lógica, la individualización es una optimización local. Ajustamos un ítem, una serie de ejercicios o el ritmo de repaso. El entorno se vuelve adaptativo: reacciona al rendimiento pasado para anticipar el rendimiento futuro.
Este enfoque tiene ventajas innegables. Evita la uniformidad en los itinerarios de aprendizaje. Reduce el tiempo dedicado a las competencias ya dominadas. Se centra con precisión en las lagunas detectadas. Incluso puede fomentar el compromiso manteniendo un nivel de desafío estadísticamente óptimo.
Pero esta individualización sigue centrándose en la interacción entre un individuo y un sistema. Trata al alumno como una unidad analítica relativamente aislada. Sólo tiene en cuenta lo que puede modelarse en el marco del sistema.
Sin embargo, el aprendizaje no puede reducirse a la interacción con una secuencia de ejercicios.
Contextualizar significa cambiar el enfoque. Ya no se trata sólo de ajustar un nivel de dificultad; se trata de entender por qué y para qué ajustamos.
Sobre todo en la formación profesional, un ejercicio nunca es neutro. Te prepara para situaciones de la vida real en las que la responsabilidad, la incertidumbre y la dimensión relacional son fundamentales. Ajustar un reto en este contexto implica integrar cuestiones simbólicas: hacer frente a los errores, gestionar el estrés, enfrentarse a lo imprevisible.
Un algoritmo puede reducir la dificultad de un caso simulado si las respuestas son incorrectas. Pero el profesor puede decidir, por el contrario, mantener un cierto nivel de complejidad para confrontar al alumno con la realidad de la situación. Puede decidir que lo que está en juego no es sólo el éxito inmediato, sino aprender a gestionar la incertidumbre.
La contextualización es un acto interpretativo. Se basa en una comprensión situada: ¿quién es este alumno? ¿En qué momento de su aprendizaje se encuentra? ¿Cuál es la dinámica del grupo? ¿Cuáles son los objetivos institucionales y profesionales a medio plazo?
También es un acto ético. Porque ajustar un reto significa orientar una trayectoria. Significa decidir el nivel de exigencia al que exponemos a un aprendiz. Reducir sistemáticamente la dificultad a la menor señal de fracaso puede minar la capacidad de enfrentarse a situaciones complejas. A la inversa, mantener un nivel de exigencia demasiado elevado puede conducir al desánimo y al repliegue.
El discernimiento pedagógico consiste precisamente en navegar en esta tensión, teniendo en cuenta dimensiones que la modelización algorítmica sólo capta parcialmente: madurez profesional, postura reflexiva, capacidad de cooperación, relación con la autoridad y responsabilidad.
La teoría de la carga cognitiva desarrollada por John Sweller advierte contra la sobrecarga que impide el aprendizaje. Los sistemas adaptativos pueden reducir útilmente esta sobrecarga calibrando la complejidad de las tareas.
Sin embargo, en algunos cursos de formación, el objetivo no es simplemente dominar contenidos en un entorno estable, sino desarrollar la capacidad de actuar en contextos inciertos. Formar a un profesional no consiste simplemente en optimizar su rendimiento en ejercicios graduados, sino en exponerle progresivamente a la complejidad del mundo real.
Una adaptación algorítmica demasiado protectora podría suavizar involuntariamente la experiencia de aprendizaje. Al buscar constantemente el equilibrio óptimo entre dificultad y éxito inmediato, se corre el riesgo de minimizar la exposición a lo inesperado, la ambigüedad y la frustración constructiva.
Sin embargo, la competencia profesional incluye la capacidad de tolerar la incertidumbre, perseverar ante el fracaso y movilizar recursos en situaciones no rutinarias. Estas dimensiones no son fáciles de modelar mediante indicadores de rendimiento.
La contextualización educativa permite introducir esta complejidad de forma progresiva e intencionada. No se limita a reaccionar ante los errores. Anticipa situaciones futuras. Vincula el presente con el futuro.
Así pues, el paso de la individualización a la contextualización no es sólo un matiz terminológico. Marca una diferencia de naturaleza: uno optimiza las interacciones locales, el otro guía una trayectoria en un marco simbólico, colectivo y profesional.
En resumen, el algoritmo personaliza a partir de perfiles, mientras que el pedagogo contextualiza a partir de un proyecto. Uno ajusta parámetros, el otro construye significados.
No se trata de negar la pertinencia de la individualización algorítmica, sino de reconocer que opera en un registro específico: el de la optimización mensurable. La contextualización, en cambio, implica un juicio interpretativo y normativo que va más allá del mero rendimiento observable.
A partir de ahí, la cuestión ya no era elegir entre individualización y contextualización, sino organizar su relación. ¿Cómo aprovechar el poder analítico de los sistemas adaptativos sin reducir la calibración educativa a una función estadística? ¿Cómo preservar el discernimiento humano en entornos cada vez más instrumentados?
Es esta búsqueda de complementariedad crítica la que debemos explorar ahora.
Si el algoritmo optimiza y el educador contextualiza, la cuestión decisiva ya no es cuál debe prevalecer, sino cómo distribuir los papeles sin confusión. El peligro no reside en la existencia de sistemas adaptativos, sino en su naturalización. Cuando la optimización estadística se convierte en la norma implícita del "buen ajuste", el discernimiento humano corre el riesgo de quedar reducido a una validación periférica.
Pensar en la complementariedad crítica significa, por tanto, clarificar los límites: lo que el algoritmo hace mejor, lo que el educador debe seguir asumiendo y lo que es materia de exigente co-elaboración.
En su función más relevante, el algoritmo actúa como revelador. Pone de manifiesto tendencias difíciles de detectar a simple vista: estancamiento en una microdestreza, irregularidad en el compromiso, descenso paulatino del rendimiento a lo largo de una secuencia determinada.
En grandes cohortes o sistemas híbridos, esta capacidad es una baza importante. Los análisis del aprendizaje ofrecen una cartografía dinámica del aprendizaje. Permiten identificar precozmente los riesgos de abandono, orientar las necesidades de recuperación y objetivar ciertas intuiciones pedagógicas.
Desde este punto de vista, la máquina no sustituye al juicio, sino que lo potencia. Amplía el campo perceptivo del formador. Mientras que la observación humana es puntual y situada, la analítica es continua y exhaustiva en su alcance.
Esta complementariedad puede mejorar la calidad de la gestión pedagógica. Un formador puede, por ejemplo, cruzar sus impresiones cualitativas con los datos de la plataforma. Una vacilación percibida durante una sesión puede reflejarse en un descenso medible del rendimiento. A la inversa, un rendimiento estable puede cuestionar una intuición demasiado pesimista.
El algoritmo se convierte entonces en una herramienta de diagnóstico. Apoya un enfoque reflexivo, sin sustituirlo.
El límite se vuelve problemático cuando la herramienta prescribe en lugar de iluminar. Si el sistema decide automáticamente los itinerarios sin mediación humana, se corre el riesgo de confundir las recomendaciones estadísticas con las decisiones pedagógicas.
Pero interpretar los datos no significa seguirlos mecánicamente. Un descenso del rendimiento puede indicar una dificultad conceptual, pero también cansancio temporal, sobrecarga emocional o desinterés ligado a factores externos al sistema.
Como intérprete, el formador recontextualiza los indicadores. Los sitúa en una historia, un intercambio, una situación real. Puede decidir no seguir una recomendación algorítmica si entra en conflicto con su análisis global.
En esta redefinición de funciones, el formador se convierte menos en un proveedor exclusivo de contenidos y más en un arquitecto de escenarios. Diseñan sistemas híbridos en los que el algoritmo gestiona ciertos aspectos técnicos -repetición espaciada, ajuste de la dificultad, formación automatizada- mientras que el tiempo sincrónico se dedica al análisis, el debate o incluso las simulaciones complejas.
El valor humano añadido se desplaza hacia la clarificación del sentido, la regulación relacional y el apoyo reflexivo. El arte de calibrar no desaparece. Sólo cambia de nivel. Ya no se refiere únicamente a la dificultad de un ejercicio, sino a la orquestación de un curso.
Sin embargo, esta complementariedad no es espontánea. Requiere aculturación. Los datos educativos no son neutros; se construyen en función de modelos, hipótesis y opciones técnicas.
Comprender qué mide realmente un indicador, qué ignora y qué supuestos incorpora se está convirtiendo en una competencia profesional por derecho propio. Leer un cuadro de mandos requiere una alfabetización digital específica: saber distinguir entre correlación y causalidad, rendimiento inmediato y consolidación sostenible, medias estadísticas y trayectorias individuales.
La racionalidad algorítmica se basa en una formalización necesariamente simplificada de la realidad. Selecciona determinadas variables en detrimento de otras. Esta selección estructura implícitamente la definición del éxito.
Formar a los formadores en esta lectura crítica significa preservar su capacidad de discernimiento. No se trata de rechazar los datos, sino de cuestionarlos. Se trata de ver los datos como parte de un diagnóstico más amplio, no como un veredicto definitivo.
Desde esta perspectiva, la filosofía de la tecnología de Gilbert Simondon ofrece valiosas ideas: la tecnología no es externa al ser humano, sino que forma parte de un proceso de individuación. Pero esta integración presupone una comprensión de los modos de funcionamiento del objeto técnico. Hay que comprender la herramienta para integrarla sin alienarla.
En el centro de esta complementariedad crítica se encuentra una cuestión de responsabilidad. Ajustar un reto no es un acto neutro. Afecta a la trayectoria de un alumno, a veces a su confianza, a veces a la dirección de su carrera.
Delegar por completo esta calibración en un sistema estadístico equivaldría a trasladar la responsabilidad a un sistema cuyos criterios se fijan aguas arriba. Pero la educación no puede descargar enteramente esta responsabilidad en un cálculo.
Preservar la responsabilidad humana no significa rechazar la automatización útil. Significa mantener un espacio para la toma de decisiones interpretativas. Un espacio en el que las recomendaciones puedan suspenderse, debatirse y contextualizarse.
De este modo, la complementariedad crítica no consiste en yuxtaponer humano y máquina, sino en articular optimización y juicio. El algoritmo puede optimizar las secuencias; el profesor garantiza la coherencia, el sentido y la finalidad del curso.
Al redefinir los límites de la calibración, una cosa queda clara: la cuestión va más allá de la simple organización de los papeles. Lo que está en juego tras el ajuste algorítmico no es sólo una cuestión de eficacia pedagógica, sino una concepción misma del aprendizaje y del éxito.
¿Es la optimización de una formación de rendimiento mensurable un tema susceptible de discernimiento? ¿Bastan las mejoras estadísticas para calificar un progreso significativo?
Esta es la cuestión más fundamental, casi filosófica, a la que debemos enfrentarnos ahora.
A medida que perfeccionamos los dispositivos de adaptación y perfeccionamos los modelos predictivos, surge una pregunta más profunda. El calibrado no es sólo una operación técnica. Implica una determinada concepción del aprendizaje, del sujeto y del éxito.
Optimizar la trayectoria de un ejercicio no significa necesariamente formar a un sujeto capaz de juzgar. Ajustar una dificultad en función de indicadores de rendimiento no dice nada, por sí mismo, de la transformación interior que constituye el acto de aprender.
Detrás de la cuestión técnica del "ajuste correcto" se esconde una cuestión filosófica: ¿qué es lo que realmente intentamos ajustar?
Las plataformas adaptativas funcionan según una lógica de optimización: reducir el error, aumentar el éxito, estabilizar las capacidades observables. Esta lógica es coherente y legítima. Conduce a ganancias mensurables. Hace visible el progreso.
Pero el rendimiento mensurable no agota el progreso significativo. Aprender no es sólo mejorar una puntuación; es transformar tu relación con el conocimiento, contigo mismo y con el mundo.
Los alumnos pueden obtener puntuaciones altas sin haber integrado sus conocimientos en un marco conceptual estable. Pueden tener éxito en tareas conocidas sin ser capaces de transferir lo aprendido a un nuevo contexto. A la inversa, una fase de aparente estancamiento puede corresponder a una profunda reestructuración de las representaciones.
La zona de desarrollo próximo descrita por Lev Vygotsky no puede reducirse a un intervalo de dificultad estadísticamente óptimo. Presupone mediación, interacción significativa y dinámica social.
Cuando la optimización se convierte en la métrica dominante, se corre el riesgo de favorecer lo que es inmediatamente cuantificable en detrimento de lo que se transforma más lentamente: el pensamiento crítico, la postura reflexiva y la capacidad de problematizar.
La calibración algorítmica puede producir así una ilusión de dominio. Como la curva aumenta, suponemos que el aprendizaje progresa. Pero no todo progreso numérico es necesariamente maduración intelectual.
La eficacia de los sistemas adaptativos puede dar lugar a una sutil tentación: la de delegar progresivamente el arte del calibrado. Si la máquina se ajusta más rápido, con mayor precisión y objetividad, ¿para qué mantener una mediación humana sistemática?
Esta tentación forma parte de una tendencia más amplia a la racionalización. En entornos limitados por el tiempo, los números y los requisitos institucionales, la automatización parece ser una solución pragmática. Promete coherencia, trazabilidad y optimización continua.
Pero delegar totalmente la calificación equivale a trasladar la norma pedagógica al modelo estadístico subyacente. Los criterios de éxito pasan a ser los que se han programado. Los objetivos implícitos del sistema, a menudo orientados hacia el rendimiento observable, estructuran silenciosamente la experiencia de aprendizaje.
La racionalidad limitada descrita por Herbert Simon encuentra aquí una nueva expresión: ante la complejidad, simplificamos. Pero toda simplificación selecciona determinados parámetros y excluye otros. Cuando la calibración se basa principalmente en indicadores cuantificables, lo que no se cuantifica corre el riesgo de quedar marginado.
El reto no es rechazar la automatización, sino evitar que se convierta en un principio excluyente. El aprendizaje implica dimensiones éticas, simbólicas y relacionales que no son fáciles de formalizar.
El arte del profesor no consiste sólo en transmitir contenidos, sino también en discernir. Discernir significa interpretar una situación concreta a la luz de una perspectiva más amplia. Significa decidir cuándo apoyar, cuándo confrontar, cuándo frenar, cuándo acelerar.
Este discernimiento es tanto un acto ético como técnico. Implica una responsabilidad: la de exponer al alumno a un nivel de exigencia que favorezca su crecimiento sin debilitarlo innecesariamente.
El objeto técnico no debe oponerse al ser humano, sino integrarse en un proceso de individuación. Esto presupone una relación consciente y crítica con la tecnología. La herramienta se vuelve fructífera cuando se comprende y se domina, no cuando dicta implícitamente la norma.
Preservar el arte del discernimiento no significa rechazar la analítica del aprendizaje; significa negarse a que se convierta en nuestra única brújula. Significa mantener un ámbito de juicio en el que la decisión educativa no se reduzca a una recomendación algorítmica.
En un entorno cada vez más instrumentado, la habilidad clave del formador podría convertirse precisamente en esta capacidad de articular datos e interpretación, optimización y significado, eficacia y responsabilidad.
La "adecuación a las propias necesidades" no puede ser totalmente calculada, porque se refiere a un sujeto en formación, inserto en un contexto vivo. Los datos describen una parte de esta realidad; no la agotan.
Al final de esta exploración, surge una convicción: el calibrado no es sólo un problema de ingeniería. Es una cuestión de finalidad. ¿Queremos optimizar el rendimiento o apoyar la transformación? ¿Buscamos la trayectoria más eficaz o la más significativa?
Estas preguntas no descalifican a los algoritmos, sino que nos animan a situarlos en una arquitectura más amplia en la que la pericia humana sigue siendo la garante del sentido. Con esta condición, el ajuste tecnológico puede convertirse en un recurso compartido, en lugar de una delegación silenciosa del arte de enseñar.
El algoritmo ajusta. El profesor interpreta. No se trata de un duelo, sino de una redefinición de los límites del calibrado educativo.
Es innegable que las plataformas adaptativas han transformado nuestra capacidad de personalizar los cursos. Miden con una precisión sin precedentes, detectan regularidades invisibles y optimizan las secuencias de formación a una escala imposible de sostener únicamente mediante la observación humana. En contextos masivos, híbridos o limitados, esta potencia analítica es una auténtica palanca de mejora. Pero optimizar no es lo mismo que discernir.
La optimización algorítmica opera en un espacio formalizado: se ajusta en función de indicadores definidos, seleccionados y ponderados. Maximiza la probabilidad de éxito a corto o medio plazo. Sobresale en la gestión de la complejidad calculable.
El discernimiento pedagógico, en cambio, se ejerce en el contexto de la complejidad vivida. Combina rendimiento y confianza, dificultad y sentido, progreso mensurable y maduración interior. Integra dimensiones relacionales, simbólicas y colectivas. Tiene en cuenta el contexto, el momento y la historia singular del alumno.
Los datos educativos describen. No comprende. Señala. No determina el significado.
Aquí es donde radica la cuestión clave: no confundir el rendimiento mensurable con el progreso significativo. Una curva ascendente no garantiza una transformación profunda. Una tasa de error controlada por sí sola no dice nada sobre la capacidad de transferir, de problematizar, de actuar ante la incertidumbre. A la inversa, una fase de aparente fragilidad puede corresponder a una reestructuración fructífera.
En la era de los entornos digitales, es grande la tentación de delegar el arte de la calibración en los sistemas estadísticos. Al fin y al cabo, son rápidos, coherentes y rastreables. Parecen ofrecer una objetividad tranquilizadora. Pero delegar por completo la tarea del ajuste equivaldría a trasladar la norma pedagógica a lo que se puede calcular.
Pero no todo lo que cuenta en la formación puede contarse.
El ajuste "tal como se produce" no puede calcularse en su totalidad porque concierne a un sujeto en formación. Supone una lectura situada, una mediación, una responsabilidad. Implica una ética del desafío: exponer sin aplastar, apoyar sin sobreproteger, exigir sin desanimar.
Así pues, la verdadera cuestión no es: ¿humano o máquina? Es: ¿cómo combinar optimización y discernimiento sin que uno absorba al otro?
Una complementariedad exigente es posible e incluso deseable. El algoritmo puede convertirse en una ayuda para el diagnóstico, un revelador de tendencias, un apoyo para la diferenciación. El formador, por su parte, sigue siendo el intérprete, el arquitecto de escenarios, el garante del sentido y la finalidad. El primero amplía el campo de percepción; el segundo guía la trayectoria.
Desde esta perspectiva, la habilidad clave en los próximos años quizá no sea ni puramente técnica ni puramente pedagógica, sino más bien hermenéutica: saber leer los datos sin someterse a ellos, saber integrar los indicadores sin reducir la complejidad del aprendizaje a las métricas.
A medida que los sistemas se hacen más inteligentes, la responsabilidad humana no disminuye, sino que se desplaza. Consiste menos en producir cada ajuste que en decidir qué merece ser ajustado y por qué.
El ajuste óptimo puede calcularse. Hay que discernir el reto adecuado.
Aquí es quizá donde reside el arte del educador frente al algoritmo: no competir con la máquina en su propio terreno, sino mantener abierta la cuestión del significado, de modo que la tecnología siga siendo un medio y nunca la medida última de lo que significa aprender.
Ilustración: El arte del profesor
Generado por AI (Canva) - Flavien Albarras
Referencias
Alhazbi, S., Al-ali, A., Tabassum, A., Al-Ali, A., Al-Emadi, A., Khattab, T., & Hasan, M. A. (2024). Using learning analytics to measure self-regulated learning: A systematic review of empirical studies in higher education. Journal of Computer Assisted Learning, 40(4), 1658-1674. https://doi.org/10.1111/jcal.12982
Anderson, J., & Taner, G. (2023). Building the expert teacher prototype: A metasummary of teacher expertise studies in primary and secondary education. Educational Research Review, 38, 100485. https://doi.org/10.1016/j.edurev.2022.100485
Artino, A. R. (2012). Autoeficacia académica: De la teoría educativa a la práctica instruccional. Perspectives on Medical Education, 1(2), 76-85. https://doi.org/10.1007/s40037-012-0012-5
Azevedo, R., Bouchet, F., Duffy, M., Harley, J., Taub, M., Trevors, G., Cloude, E., Dever, D., Wiedbusch, M., Wortha, F., & Cerezo, R. (2022). Lessons Learned and Future Directions of MetaTutor: Leveraging Multichannel Data to Scaffold Self-Regulated Learning With an Intelligent Tutoring System. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.813632
Bandura, A. (1978). Self-efficacy: Toward a unifying theory of behavioral change. Advances in Behaviour Research and Therapy, Perceived Self-Efficacy: Analyses of Bandura's Theory of Behavioural Change, 1(4), 139-161 . https://doi.org/10.1016/0146-6402(78)90002-4
Biggs, J. B. (1987). Student Approaches to Learning and Studying. Research Monograph. Australian Council for Educational Research Ltd. https://eric.ed.gov/?id=ED308201
de Vries, M. J., Feenberg, A., De Boever, A., & Hoel, A. S. (2015). Book Symposium on The Philosophy of Simondon: Between Technology and Individuation. Philosophy & Technology, 28(2), 297-322. https://doi.org/10.1007/s13347-013-0144-5
Kosel, C., Bauer, E., & Seidel, T. (2024). Where experience makes a difference: Teachers' judgment accuracy and diagnostic reasoning regarding student learning characteristics. Frontiers in Psychology, 15, 1278472. https://doi.org/10.3389/fpsyg.2024.1278472
Lan, M., & Zhou, X. (2025). A qualitative systematic review on AI empowered self-regulated learning in higher education. Npj Science of Learning, 10(1), 21. https://doi.org/10.1038/s41539-025-00319-0
La analítica del aprendizaje como herramienta metacognitiva: (2014). Actas de la 6ª Conferencia Internacional sobre Educación Asistida por Ordenador, 380-384. https://doi.org/10.5220/0004933203800384
Lodge, J. M., & Corrin, L. (2017). Lo que los datos y la analítica pueden decir y dicen sobre el aprendizaje efectivo. NPJ Science of Learning, 2(1), 5. https://doi.org/10.1038/s41539-017-0006-5
Mai, L., Köchling, A., & Wehner, M. C. (2022). "This Student Needs to Stay Back": To What Degree Would Instructors Rely on the Recommendation of Learning Analytics? SN Computer Science, 3(4), 259. https://doi.org/10.1007/s42979-022-01137-6
Marton, F., y Säljö, R. (1976). On Qualitative Differences in Learning: I-Outcome and Process. British Journal of Educational Psychology, 46(1), 4-11. https://doi.org/10.1111/j.2044-8279.1976.tb02980.x
Perone, C. S. (2025, 9 de enero). Notes on Gilbert Simondon's "On the Mode of Existence of Technical Objects" and Artificial Intelligence | Terra Incognita. https://blog.christianperone.com/2025/01/notes-on-gilbert-simondons-on-the-mode-of-existence-of-technical-objects-and-artificial-intelligence/
Perrenoud, P., & Meirieu, P. P. (2026). La pédagogie différenciée: Des intentions à l'action. ESF éditeur.
Porayska-Pomsta, K., Holmes, W., & Nemorin, S. (2022). The Ethics of AI in Education. https://doi.org/10.4324/9780429329067
Raffaghelli, J. E., Manca, S., Stewart, B., Prinsloo, P., & Sangrà, A. (2020). Supporting the development of critical data literacies in higher education: Building blocks for fair data cultures in society. International Journal of Educational Technology in Higher Education, 17(1), 58. https://doi.org/10.1186/s41239-020-00235-w
Schön, D. A. (2017). El profesional reflexivo: Cómo piensan los profesionales en acción. Routledge. https://doi.org/10.4324/9781315237473
Schwarz, G., Christensen, T., & Zhu, X. (2022). Bounded Rationality, Satisficing, Artificial Intelligence, and Decision-Making in Public Organizations: The Contributions of Herbert Simon. Public Administration Review, 82(5), 902-904. https://doi.org/10.1111/puar.13540
Selwyn, N., & Gašević, D. (2020). The datafication of higher education: Discussing the promises and problems. Teaching in Higher Education, 25(4), 527-540. https://doi.org/10.1080/13562517.2019.1689388
Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99-118. https://doi.org/10.2307/1884852
Simon, H. A. (1981). Las ciencias de lo artificial.
Simon, H. A. (1991). Bounded Rationality and Organizational Learning. Organization Science, 2(1), 125-134.
Simondon, G., Mellamphy, N., Mellamphy, D., & Mellamphy, N. B. (2011a). Sobre el modo de existencia de los objetos técnicos. Deleuze Studies, 5(3), 407-424.
Simondon, G., Mellamphy, N., Mellamphy, D., & Mellamphy, N. B. (2011b). Sobre el modo de existencia de los objetos técnicos. Deleuze Studies, 5(3), 407-424.
Xue, H., & Lin, L. (2026). The ethics of artificial intelligence in education: Practices, challenges, and debates: por Wayne Holmes, Kaśka Porayska-Pomsta (Eds.), Nueva York, Routledge, 2023, XXIII+288 pp., £139.21 (tapa dura), ISBN: 978-0-367-34971-4. Revista de Educación para la Enseñanza, 0(0), 1-4. https://doi.org/10.1080/02607476.2026.2634972
You, X., & Hands, D. (2019). Una reflexión sobre la visión del diseño de Herbert Simon en Las ciencias de lo artificial. The Design Journal, 22(sup1), 1345-1356. https://doi.org/10.1080/14606925.2019.1594961
También te puede gustar:
La contribución de las prácticas narrativas a la educación
El enfoque de las prácticas narrativas es una palanca extraordinaria para el desarrollo. Este enfoque nos permite disociar a la persona supuestamente portadora de un problema de la situación que vive. Al centrarnos en las interacciones, no limitamos al individuo a ser sólo un problema.
Indagación, diálogo y confrontación: las nuevas palancas del pensamiento crítico en la formación
Los adultos se enfrentan a una inflación de información sin precedentes, a discursos de expertos que compiten entre sí y a dispositivos digitales cuya lógica sigue siendo opaca. El pensamiento crítico es esencial para que puedan hacer frente a los errores de los algoritmos. ¿Qué métodos pedagógicos son los más adecuados?
test Test
Aprender el significado del sacrificio
Aprender sobre el sacrificio y no sólo sobre el beneficio individual inmediato, pero ¿cómo es posible?
La educación multilingüe como factor de integración
La compleja situación del multilingüismo en algunos países con fonemas migratorios exige una mejor gestión de los alumnos en el aula
Superprof: la plataforma para encontrar los mejores profesores particulares en España.
