Del error a la competencia: Cómo diseñar una IA que ayude a pensar, corregir y aprender en FP.
No basta con decidir en qué momento debe entrar la inteligencia artificial en el aprendizaje. También debemos diseñar cómo se comportará cuando intervenga. En Formación Profesional, una IA educativa de calidad no debería evitar cualquier error, sino ayudar al alumnado a explorar problemas, interpretar sus fallos, contrastar alternativas y construir una competencia que pueda demostrar después de forma autónoma.
En el artículo anterior, La trampa de lo fácil: cuando la IA ayuda a aprender… y cuando solo disfraza el aprendizaje, planteábamos una cuestión decisiva: la inteligencia artificial puede mejorar el rendimiento del alumnado y, al mismo tiempo, debilitar su aprendizaje.
La causa no está necesariamente en la herramienta, sino en el lugar que ocupa dentro del proceso educativo. Cuando la IA aparece antes de que el estudiante haya intentado comprender, decidir o resolver una tarea, puede eliminar precisamente el esfuerzo cognitivo que permite construir la competencia.
Primero, un intento propio. Después, apoyo guiado con IA. Finalmente, una comprobación autónoma.
Pero esta regla abre una segunda pregunta, igualmente importante: una vez decidido cuándo puede intervenir la IA, ¿cómo debe estar diseñada para apoyar el aprendizaje sin sustituirlo?
Un estudio reciente de Jinhee Kim, Xi Lin, Seongryeong Yu y Rita Detrick sobre inteligencia artificial y fracaso productivo aporta una respuesta especialmente relevante para la Formación Profesional. Su propuesta puede resumirse en una idea:
No basta con colocar bien la IA. Hay que diseñarla para que haga pensar, permita equivocarse, ayude a interpretar el error y devuelva al estudiante la responsabilidad de decidir.
En Formación Profesional, el error no es una anomalía
La Formación Profesional se apoya, en gran medida, en aprender haciendo: diagnosticar una avería, configurar un sistema, atender a una persona, diseñar una propuesta, ajustar un proceso, interpretar datos, fabricar una pieza o resolver una incidencia.
En todos estos contextos, el error no es una excepción accidental al aprendizaje. Es una de sus principales fuentes.
El alumnado formula una hipótesis, ejecuta una acción, observa sus consecuencias, identifica una desviación, revisa el procedimiento y vuelve a intentarlo. De esa secuencia surge una parte esencial de la competencia profesional.
No se aprende únicamente conociendo el procedimiento correcto. También se aprende comprendiendo por qué una alternativa no funciona, qué señales permiten detectar el problema y cómo debe modificarse la actuación.
La IA generativa puede enriquecer enormemente este proceso. Puede crear escenarios, adaptar casos, proporcionar retroalimentación, visualizar información, comparar alternativas o simular situaciones profesionales.
Pero también puede desactivarlo.
Si ante una dificultad la herramienta produce inmediatamente el diagnóstico, la solución, el procedimiento o el documento final, el error desaparece antes de haber generado aprendizaje. El alumnado entrega un resultado aparentemente correcto, pero no necesariamente ha desarrollado la capacidad de interpretar la situación que lo originó.
Una IA diseñada para evitar todos los errores puede impedir que el alumnado aprenda a reconocerlos y corregirlos.
Del error improductivo al error que enseña
Hablar de fracaso productivo no significa defender que el alumnado deba frustrarse innecesariamente ni convertir la dificultad en un valor por sí mismo.
No todo error enseña.
Un error se vuelve productivo cuando forma parte de una secuencia pedagógica bien diseñada. El estudiante debe tener una oportunidad real de explorar el problema, activar sus conocimientos previos, formular hipótesis y producir una primera respuesta, aunque sea incompleta.
Después necesita contraste, orientación y una explicación que le permita comprender las limitaciones de su razonamiento inicial. Finalmente, debe reorganizar lo aprendido y aplicarlo en una situación diferente.
Este proceso puede organizarse en dos grandes fases.
1. Generación y exploración
El alumnado se enfrenta a un problema complejo antes de recibir la solución completa. El objetivo no es acertar inmediatamente, sino hacer visible cómo interpreta la situación, qué conocimientos activa, qué supuestos maneja y qué estrategias considera posibles.
2. Consolidación y construcción del conocimiento
El alumnado compara su propuesta con otras alternativas, identifica lagunas o conceptos erróneos, reorganiza su comprensión y transfiere lo aprendido a nuevos contextos.
La IA puede aportar valor en ambas fases, pero su función debe cambiar.
Durante la exploración, la IA debe ampliar el espacio del problema sin cerrarlo prematuramente. Durante la consolidación, puede ayudar a comparar, visualizar, explicar, reorganizar y transferir.
En la primera fase, la IA debe ampliar el problema, no resolverlo
Cuando el alumnado todavía está explorando, la IA debería comportarse como una compañera de pensamiento.
Puede formular preguntas como estas:
- ¿Qué datos apoyan tu hipótesis?
- ¿Qué otras causas podrían explicar el problema?
- ¿En qué condiciones dejaría de funcionar tu propuesta?
- ¿Qué variable no has tenido en cuenta?
- ¿Cómo cambiaría tu decisión si el contexto fuera diferente?
- ¿Qué experiencia previa estás utilizando como referencia?
Estas preguntas no eliminan la dificultad central. La hacen más visible y manejable.
La IA también puede generar escenarios, introducir variaciones, representar gráficamente las ideas del grupo o facilitar el contraste entre diferentes perspectivas. Puede ayudar a organizar una lluvia de ideas, señalar contradicciones o hacer visibles aportaciones que todavía no han sido consideradas.
Pero no debería conducir demasiado pronto hacia una única respuesta correcta.
En esta fase, su valor no reside en acortar el camino, sino en enriquecer la exploración.
Esta distinción es especialmente importante en FP. Los problemas profesionales reales suelen estar incompletos, contener información ambigua y admitir diferentes estrategias. Aprender a interpretar esa incertidumbre forma parte de la competencia profesional.
Una IA que estructura siempre el problema y entrega inmediatamente la respuesta puede generar eficiencia, pero también dependencia.
En la segunda fase, la IA debe hacer visibles las diferencias
Después del primer intento, el papel de la IA puede ser más explícito.
Puede comparar la propuesta del alumnado con un procedimiento experto, mostrar semejanzas y diferencias, detectar variables omitidas, presentar soluciones alternativas o representar visualmente la estructura del problema.
La comparación es pedagógicamente valiosa porque convierte el error en información.
No basta con indicar que una respuesta es incorrecta. El estudiante necesita comprender:
- qué supuesto era equivocado;
- qué evidencia no tuvo en cuenta;
- en qué punto se desvió el razonamiento;
- qué consecuencias produciría esa decisión;
- y qué principio puede transferirse a otros casos.
La IA puede apoyar también la reorganización del conocimiento: agrupar ideas, relacionar conceptos, sintetizar una discusión, recuperar evidencias del proceso o construir mapas que ayuden a pasar de intuiciones dispersas a una comprensión más estructurada.
Finalmente, puede generar nuevas situaciones en las que aplicar lo aprendido. En FP, esta capacidad resulta especialmente prometedora: una misma competencia puede probarse bajo distintas condiciones, restricciones, perfiles de cliente, tipos de avería o escenarios productivos.
El objetivo no es repetir la respuesta correcta, sino demostrar que el aprendizaje se mantiene cuando cambia el contexto.
Cinco principios para diseñar una IA que ayude a aprender
El estudio identifica cinco ámbitos de diseño que pueden traducirse en criterios concretos para asistentes, tutores y sistemas educativos con IA.
1. Funciones complementarias entre la persona y la IA
La IA puede asumir tareas de búsqueda, análisis, clasificación, visualización, síntesis o generación de variaciones.
El alumnado debe conservar la interpretación, el juicio, la toma de decisiones y la responsabilidad sobre el resultado.
Esta división no debe decidirse únicamente en función de lo que la tecnología puede hacer, sino de la competencia que se pretende desarrollar.
Que una IA pueda realizar una tarea no significa que deba realizarla durante el aprendizaje.
2. Explicabilidad y supervisión humana
Un sistema educativo no debería limitarse a producir recomendaciones. Debe ayudar a comprender por qué las formula, qué información ha utilizado y dónde puede equivocarse.
Además, las decisiones relevantes deben permanecer bajo supervisión humana. El alumnado necesita poder cuestionar las propuestas de la IA, y el profesorado debe poder ajustar el nivel de asistencia, revisar las interacciones y corregir comportamientos inadecuados.
La IA debe ser una fuente de contraste, no una autoridad invisible.
3. Usabilidad, accesibilidad y control sobre la ayuda
El estudiante y el profesorado deberían saber cuándo interviene la IA, qué contenido ha generado y hasta dónde alcanza su asistencia.
También deberían poder regularla.
No todos los momentos del aprendizaje requieren el mismo apoyo. En ocasiones será adecuado ofrecer una pista; en otras, una pregunta; y en otras, retirar completamente la ayuda.
Los sistemas educativos deberían incorporar niveles progresivos de intervención, en lugar de funcionar únicamente con dos estados: IA disponible o IA prohibida.
Además, su diseño debe contemplar la diversidad del alumnado, la accesibilidad, la claridad de la interfaz, el tratamiento de consultas ambiguas y la posibilidad de identificar con facilidad qué aportaciones proceden de la persona y cuáles de la IA.
4. Diseño orientado a la reflexión
Una IA educativa debería ir más allá de responder.
Debería formular preguntas de seguimiento, pedir justificaciones, recuperar intentos anteriores, señalar cambios en el razonamiento y ayudar al estudiante a reconocer patrones en sus errores.
Podría preguntar:
- ¿Qué has cambiado respecto a tu primera propuesta?
- ¿Qué evidencia te hizo revisar tu decisión?
- ¿Qué error podrías volver a cometer en una situación parecida?
- ¿Qué principio puedes aplicar en otro contexto?
- ¿Qué parte de la solución todavía no sabes explicar?
Estas interacciones desplazan el centro de gravedad desde la mera producción de respuestas hacia la metacognición.
5. Apoyo emocional sin eliminar la exigencia
El fracaso productivo requiere un entorno seguro.
La dificultad puede activar curiosidad y perseverancia, pero también frustración, ansiedad o abandono. Una IA bien diseñada puede reconocer estas situaciones, ajustar su tono, ofrecer aliento o dividir el reto en pasos asumibles.
Sin embargo, apoyar emocionalmente no significa rescatar al estudiante de cualquier dificultad.
El sistema debe ayudar al alumnado a permanecer dentro del problema, no sacarlo de él.
Un ejemplo aplicado a FP
Imaginemos una actividad de mantenimiento industrial.
El alumnado recibe información sobre una avería: síntomas, registros, condiciones de funcionamiento y comportamiento reciente del equipo.
En un uso pobre de la IA, el estudiante introduce los datos y obtiene inmediatamente el diagnóstico más probable, el procedimiento de reparación y la lista de comprobaciones. El resultado puede ser correcto, pero gran parte de la competencia ha sido externalizada.
En un diseño orientado al aprendizaje, la secuencia sería diferente.
- El alumnado analiza inicialmente la información sin ayuda y formula una primera hipótesis.
- La IA pregunta qué señales respaldan esa hipótesis, qué causas alternativas se han descartado y qué dato adicional sería necesario recoger.
- La herramienta presenta varios escenarios posibles, ayuda a comparar la propuesta con el procedimiento técnico y señala variables que no han sido consideradas.
- Posteriormente, genera una simulación en la que cambia una condición del sistema para comprobar si el razonamiento puede transferirse.
- Finalmente, el estudiante realiza un nuevo diagnóstico de forma autónoma y justifica su decisión.
La tecnología puede ser la misma. Lo que cambia es su arquitectura pedagógica.
En el primer caso, la IA entrega una solución. En el segundo, ayuda a construir una competencia.
El profesorado no pierde protagonismo: cambia su nivel de intervención
Este enfoque no reduce el papel docente. Lo hace más estratégico.
El profesorado debe decidir qué dificultad merece ser preservada, qué errores pueden resultar productivos, cuándo introducir una pista, qué respuesta experta utilizar como contraste y qué evidencia final permitirá acreditar la competencia.
También debe configurar o diseñar las reglas de comportamiento de la IA.
Por tanto, la integración educativa de estos sistemas no consiste únicamente en enseñar al alumnado a formular mejores instrucciones. Exige que el profesorado aprenda a diseñar interacciones:
- cuándo la IA debe preguntar;
- cuándo puede sugerir;
- cuándo debe mostrar alternativas;
- cuándo debe explicar;
- y cuándo debe guardar silencio.
La arquitectura conversacional de la IA pasa a formar parte del diseño didáctico.
De las normas de uso a la gobernanza pedagógica
Esta perspectiva también tiene implicaciones para los centros de FP.
Una política institucional de IA no debería limitarse a enumerar herramientas permitidas y prohibidas. Necesita establecer criterios para diseñar tareas, configurar asistentes, recoger evidencias y acreditar competencias.
Algunas preguntas deberían formar parte de cualquier decisión:
- ¿Qué competencia se pretende desarrollar?
- ¿Qué esfuerzo cognitivo debe realizar necesariamente el alumnado?
- ¿Qué errores pueden generar aprendizaje?
- ¿Qué funciones puede asumir la IA sin vaciar la tarea?
- ¿Cómo se hará visible su contribución?
- ¿Quién conserva la decisión final?
- ¿Existe una evidencia de desempeño autónomo?
- ¿Puede el aprendizaje transferirse a una situación nueva?
Estas preguntas conectan la metodología, la evaluación y la gobernanza.
También permiten superar dos posiciones igualmente insuficientes: prohibir la IA para conservar intactas las prácticas anteriores o incorporarla sin revisar qué aprendizaje está produciendo realmente.
Un marco prometedor, no una receta cerrada
Conviene mantener una cautela importante.
El estudio que inspira estas ideas recoge las percepciones de 35 estudiantes de posgrado de dos universidades y analiza entrevistas, guiones gráficos y prototipos conceptuales. No evalúa todavía sistemas implantados a gran escala ni demuestra qué combinación de funciones produce mejores resultados en cada contexto educativo.
Su aportación principal no es ofrecer una solución terminada, sino proponer una dirección de diseño.
Esa dirección resulta especialmente relevante para la FP porque sitúa en el centro elementos que ya forman parte de su identidad: experimentación, aplicación práctica, resolución de problemas, reflexión sobre la acción y transferencia al contexto profesional.
De colocar la IA a diseñar su comportamiento
El artículo anterior proponía una pedagogía de la colocación inteligente de la IA: proteger el primer intento, introducir ayuda guiada y comprobar finalmente la autonomía.
Esta nueva lectura completa aquella idea.
No basta con decidir en qué momento entra la IA. Debemos decidir qué hará cuando entre.
- ¿Responderá o preguntará?
- ¿Corregirá directamente o ayudará a localizar el error?
- ¿Ocultará el razonamiento o lo hará visible?
- ¿Tomará la decisión u ofrecerá elementos para decidir?
- ¿Reducirá la incertidumbre o enseñará a trabajar con ella?
La calidad educativa de la IA dependerá cada vez menos de la espectacularidad de sus respuestas y cada vez más de la calidad pedagógica de estas decisiones.
Porque en Formación Profesional no necesitamos sistemas que impidan equivocarse.
Necesitamos sistemas que ayuden a equivocarse mejor, comprender antes y actuar con mayor autonomía la próxima vez.
La mejor IA educativa no es la que evita todos los errores, sino la que consigue que cada error deje una competencia más sólida.
Estudio tomado como referencia
Kim, J., Lin, X., Yu, S. y Detrick, R. (2026). Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications and AI system design principles. Educational Technology Research and Development. Publicado en acceso abierto el 23 de junio de 2026.
Artículo relacionado
La trampa de lo fácil: cuando la IA ayuda a aprender… y cuando solo disfraza el aprendizaje