Cómo construir un tutor con IA que ayude sin reemplazar el trabajo cognitivo del estudiante

Paso 1: escribe el objetivo cognitivo antes del prompt. Define qué debe practicar el estudiante: recordar, comparar, argumentar, resolver, programar o aplicar un concepto nuevo. Después separa las tareas auxiliares que sí pueden automatizarse sin destruir ese objetivo. Si la actividad busca aprender a estructurar un argumento, el asistente puede ayudar a buscar ejemplos pero no redactar la conclusión final de inmediato. Esta distinción convierte el diseño pedagógico en una regla operativa y evita depender de instrucciones genéricas como “no hagas trampa”, que son demasiado ambiguas.

Paso 2: crea una escalera de ayuda. Define niveles concretos: reformular la pregunta, recordar un concepto, ofrecer una pista, plantear un subproblema, mostrar un ejemplo análogo y explicar una solución. Asigna condiciones para subir de nivel, como dos intentos fallidos o una solicitud explícita. El agente debe registrar qué ayuda utilizó. Así el docente puede observar progreso y el estudiante entiende que la herramienta no está bloqueando arbitrariamente. La escalera también permite personalizar apoyo sin abandonar el objetivo de que ciertas operaciones mentales sigan ocurriendo del lado humano.

Paso 3: pide evidencia antes de escalar. En lugar de preguntar solo “¿entiendes?”, solicita una explicación breve, un cálculo intermedio o una predicción. Esa evidencia ayuda a decidir la siguiente intervención. Si el estudiante puede explicar el principio pero falla al aplicarlo, necesita un tipo de ayuda distinto de quien no recuerda la idea básica. El agente no requiere calificar toda la clase; necesita señales pequeñas que impidan confundir fluidez conversacional con dominio. El aprendizaje se vuelve observable mediante acciones del estudiante, no por la confianza de la respuesta generada.

Paso 4: diseña límites de datos por edad y contexto. Minimiza información personal, evita conservar más de lo necesario y separa datos de aprendizaje de perfiles comerciales. El docente o la institución deben controlar retención y exportación. Cuando una actividad involucra información sensible, configura el asistente para trabajar con datos ficticios o anonimizados. La protección debe existir en arquitectura y permisos, no como una recomendación al final. Un tutor confiable puede explicar qué guarda y por qué, y ofrecer una ruta clara para corregir o eliminar información cuando corresponda.

Paso 5: mide transferencia, no volumen de respuestas. Después de una sesión, prueba un problema nuevo sin asistencia o con menos pistas. Compara qué nivel de ayuda necesita el estudiante con el que necesitaba antes. Observa calidad de explicación, no solo aciertos. Evita métricas vanidosas como mensajes enviados o tiempo de uso si no se conectan con resultados educativos. El objetivo es que la capacidad permanezca cuando la IA se retira. Una sesión excelente puede ser corta si deja al estudiante listo para resolver el siguiente reto por sí mismo.

Paso 6: deja al educador configurar la política. Proporciona plantillas por tipo de actividad, pero permite que el docente ajuste niveles de ayuda, materiales permitidos, lenguaje y reglas de entrega. Registra cambios de configuración y no los conviertas en memoria global sin autorización. El docente también necesita revisar muestras de interacción o señales agregadas sin leer cada conversación completa. Esa separación conserva supervisión profesional sin transformar el sistema en vigilancia constante. La IA ejecuta una estrategia pedagógica definida; no decide por sí sola qué significa aprender en cada curso.

Implementación Goatify. Podemos representar cada actividad con un learningcontract: objetivo, evidencia esperada, niveles de ayuda, datos permitidos y criterio de cierre. El agente recibe ese contrato junto con el contenido. Al final produce un learningreceipt que resume qué apoyos dio y qué evidencia generó el estudiante. Esto abre una propuesta fuerte para instituciones: no ofrecemos un chatbot genérico, sino un runtime educativo donde la autonomía está limitada por el propósito pedagógico y donde la mejora se mide en capacidad humana, no en tareas que la máquina logró absorber.