Aprendizaje adaptativo: ¿por fin la personalización a escala?

La personalización es el Grial pedagógico: adaptar el ritmo, la dificultad y los ejemplos a cada estudiante. Históricamente, solo la tutoría individual lo lograba, de ahí la diferencia de dos desviaciones estándar que midió Bloom entre la clase colectiva y el preceptorado ^[1]. Los sistemas adaptativos clásicos (árboles de reglas, bancos de ítems) se acercaban a la idea, pero sin la flexibilidad del lenguaje. Los grandes modelos cambian las reglas del juego: pueden explicar de otra manera, reformular sobre la marcha, generar un ejercicio calibrado.

Lo que la IA hace posible hoy

Algunos sistemas recientes combinan un plan de estudio personalizado, asistencia en tiempo real y actividades adaptativas. El prototipo LearnMate², por ejemplo, mejora a la vez los resultados y la experiencia de aprendizaje frente a herramientas de referencia ^[2]. De forma más amplia, la comunidad investigadora formaliza el encuentro entre los LLM y el aprendizaje adaptativo, con el ser humano en el bucle ^[3].

• Diagnóstico continuo del nivel y de las lagunas a partir de las respuestas.
• Dificultad ajustada dinámicamente para mantenerse en la zona de desarrollo próximo.
• Explicaciones múltiples de un mismo concepto, adaptadas al perfil.
• Refuerzo específico en lugar de repetir el temario de forma uniforme.

El desafío no es solo individual. La OCDE subraya que la IA puede desplegarse deliberadamente para reducir brechas —abandono escolar, brecha de género en matemáticas, alumnado de origen inmigrante— a condición de acompañar ese despliegue con salvaguardas ^[4]. Personalización y equidad pueden ir de la mano, pero nada es automático.

Una trampa técnica: la personalización que degrada el modelo

Este resultado invita a preferir arquitecturas en las que la personalización viva fuera del modelo —perfiles, memoria del estudiante, recuperación de contenidos— en lugar de quedar grabada en los pesos. Es también una buena noticia para la privacidad: separar el modelo genérico de los datos personales facilita una gobernanza controlada, especialmente importante en el contexto europeo y suizo.

Límites que conviene tener presentes

El informe 2025 del AI Index recuerda que el acceso a la informática y a la IA en la escuela avanza, pero sigue siendo desigual, y que el profesorado a menudo se siente mal preparado ^[6]. La personalización algorítmica también puede encerrar a un estudiante en un perfil rígido o reflejar los sesgos de los datos. Exige transparencia, control humano y evaluación de impacto.

Personalizar no es solo ajustar la dificultad; es preservar la autonomía y la ambición del estudiante.

Síntesis Learnya

El aprendizaje adaptativo impulsado por la IA no es, por tanto, ni una varita mágica ni un artilugio: es una capacidad real cuyo valor depende del diseño, de la calidad de los datos y del marco de gobernanza que lo rodea.

Personalización no rima con encierro

Un malentendido frecuente reduce la personalización a «dar a cada uno lo que ya se le da bien». Entendida así, puede empobrecer: un estudiante encerrado en un perfil ya no se topa con la dificultad que lo haría progresar, ni con la diversidad que amplía sus horizontes. La buena personalización ajusta el apoyo, no la ambición. Apunta a la zona de desarrollo próximo: suficiente desafío para aprender, suficiente andamiaje para lograrlo.

Esto exige datos de calidad y vigilancia frente a los sesgos. Si el modelo que dirige la adaptación se apoya en correlaciones históricas, corre el riesgo de reproducir las desigualdades del pasado, ofreciendo sistemáticamente menos ambición a ciertos grupos. La OCDE insiste precisamente en esa doble exigencia: desplegar la IA para reducir brechas, pero acompañarla de salvaguardas contra los efectos discriminatorios ^[4].

En el plano técnico, el reto es separar con nitidez tres cosas: el modelo genérico (competencias de lenguaje y razonamiento), la memoria del estudiante (lo que sabe, lo que persigue) y la lógica de adaptación (cómo elegir la próxima actividad). Esta separación evita degradar el modelo al especializarlo ^[5], facilita la auditoría y permite mantener los datos personales en un espacio controlado, un punto decisivo para la confianza y la soberanía.

Hacia una personalización transparente

El próximo paso del aprendizaje adaptativo no es técnico, sino ético: hacer que la personalización sea transparente y cuestionable. Un estudiante, un progenitor, un docente deberían poder entender por qué se propuso tal ejercicio y poder reorientar la trayectoria. Una personalización opaca, por eficaz que sea, socava la autonomía que dice servir.

Cabe anticipar una convergencia entre la adaptación fina y el respeto a la privacidad, sostenida por arquitecturas que mantienen el perfil del estudiante en un espacio controlado. Lejos de ser contradictorias, personalización y soberanía de los datos se refuerzan: cuanto mejor se sabe qué datos sirven para qué, con más precisión y confianza se puede adaptar. Es esa combinación, más que la potencia bruta de los modelos, la que marcará la diferencia.