jueves, 19 de noviembre de 2026

EDD-03. Inteligencia artificial y aprendizaje universitario: de la ayuda disponible a la evidencia de aprendizaje

 Por Lorenzo García Aretio

VER TODAS LAS ENTRADAS DE ESTA SERIE

Ocho trabajos seleccionados: referencias al final.

Descargar esta entrada en PDF

En esta tercera entrega de Educación digital al día (EDD) reúno ocho trabajos del volumen 30(1) de RIED, número previsto para enero de 2027 y ya completo en OnlineFirst. La decisión de dedicar dos entradas consecutivas a los dieciséis artículos de un mismo número constituye una excepción. La hago explícita porque concurre una circunstancia que no se da en las demás selecciones de la serie: soy autor de EDD y, a la vez, director/editor de RIED. La revista mantiene la condición Q1 en los indicadores de Scopus y Web of Science anunciados en 2026 (AIESAD, 2026), y sus objetivos y convocatorias suelen estar en línea con los objetivos de esta serie. Conviene que quien lea estas páginas conozca esa doble relación; la selección y el comentario, sin embargo, siguen sujetos al mismo propósito de la serie: leer críticamente los trabajos, distinguir con cuidado sus aportaciones y sus límites y tratar de orientar a posibles destinatarios o lectores.

He organizado esta primera mitad en torno a una pregunta: cuando incorporamos la inteligencia artificial generativa a las actividades universitarias, ¿qué aporta y qué sabemos, a partir de la evidencia disponible, sobre lo que aprenden los estudiantes? Las conexiones que propongo son una guía de lectura. No pretenden hacer que los ocho artículos sostengan una sola tesis: sus poblaciones, diseños, tareas y medidas son diferentes. Me interesa seguir un recorrido desde el uso y las expectativas, pasando por el diseño de la actividad y la evaluación, hasta llegar a la autonomía y el juicio crítico.

De la ayuda percibida a la evidencia de aprendizaje

Marciniak (2027) pregunta si los beneficios de la IA generativa que perciben estudiantes de másteres en línea se reflejan en mejores calificaciones. Su estudio exploratorio combina una encuesta a 206 estudiantes —112 de ellos dejaron comentarios abiertos— con el análisis de 1.185 calificaciones institucionales de once asignaturas entre 2021 y 2024. El alumnado atribuye utilidad a estas herramientas —sobre todo para redactar y organizar textos—, pero también expresa preocupación por la dependencia, el pensamiento crítico y el plagio. Las 1.185 calificaciones institucionales se analizan de forma agregada y no se vinculan con la encuesta. Por separado, ni el mayor uso de IA ni su impacto positivo percibido se asociaron con notas medias autodeclaradas más altas. Aunque las medias anuales varían, el estudio no encuentra una tendencia temporal sistemática que permita atribuir una mejora a la expansión de la IA. El artículo ayuda a separar tres planos que a menudo se confunden: uso, beneficio percibido y rendimiento académico.

En una muestra mucho mayor, Trejo-Trejo y Gordillo-Espinoza (2027) analizan respuestas de 1.746 estudiantes de instituciones de educación superior de México. La autoeficacia percibida, la creación y edición de contenidos, el uso ético y la dependencia aparecen asociados estadísticamente con el uso académico declarado de IA generativa; el modelo final explica una proporción considerable de la variación de esa medida (R² = 0,671, un 67,1 % de la varianza). El diseño transversal, correlacional y no probabilístico no permite establecer qué factores producen más uso ni inferir efectos en el aprendizaje o en la calidad educativa. Junto con Marciniak, este trabajo desplaza la pregunta desde «¿quién usa IA?» hacia «¿qué significa el uso que se declara y qué otras evidencias necesitamos?».

Evaluar el producto y comprender el proceso

Muñoz-Martínez et al. (2027) estudian una tarea de evaluación asíncrona en cuatro aulas virtuales de dos asignaturas y dos cursos académicos, con 162 estudiantes. Comparan la condición ordinaria —sin mediación pedagógica específica sobre IA, aunque su uso eventual quedó a iniciativa del alumnado y no se registró ni verificó— con otra que incorpora indicaciones progresivas para formular y revisar prompts, contrastar fuentes y documentar el proceso. En la condición con mediación estructurada, la calificación media del ensayo fue mayor (8,51 frente a 7,52); sin embargo, el alumnado atribuyó a la tarea una contribución menor para su aprendizaje (6,49 frente a 7,45). No aparecieron diferencias significativas en las restantes dimensiones postarea. La mejora del producto evaluado, por tanto, no coincidió con una mayor contribución de la tarea al aprendizaje percibido.

La interpretación debe considerar el diseño cuasiexperimental con implementación grupal no aleatorizada en cuatro aulas virtuales, el posible uso espontáneo de IA en la condición ordinaria y que un solo docente calificó los ensayos sin enmascaramiento ni segundo evaluador. El análisis textual encontró repertorios léxicos y organizaciones temáticas más técnicas en algunos temas con mediación estructurada, pero esos patrones agregados no demuestran por sí mismos mayor coherencia semántica global ni aprendizaje individual.

Aslan et al. (2027) comparan durante diez semanas la retroalimentación generada por IA con la de un experto lingüístico en escritura L2, en una intervención con docentes de inglés en formación inicial. Participaron inicialmente 40 estudiantes; uno del grupo que recibió retroalimentación de IA abandonó durante la intervención. Ambos grupos mejoraron entre la medición inicial y la final, pero no se detectó una diferencia estadísticamente significativa entre sus mejoras. Este resultado no demuestra que las dos modalidades sean equivalentes: la muestra final fue pequeña y el estudio no se diseñó para establecer equivalencia. La lectura prudente es más acotada: la IA puede formar parte de una experiencia de revisión escrita, pero este diseño no permite afirmar que sustituya al experto ni que produzca más aprendizaje.

Los dos estudios convergen en una distinción práctica para la evaluación: la calidad del texto entregado, la valoración que hace el estudiante de la tarea y el aprendizaje que puede transferir son resultados diferentes. Diseñar la evaluación exige decidir cuál de ellos importa en cada actividad y qué evidencia resulta adecuada para documentarlo.

Practicar con simulaciones: un potencial que depende de qué se mida

Gómez-León (2027) presenta un ensayo aleatorizado por conglomerados, con asignación al azar por salas virtuales, para entrenar el razonamiento diagnóstico en altas capacidades mediante entrevistas simuladas con IA. Participaron 360 estudiantes de posgrado de tres universidades; la muestra analítica final fue de 349, en 22 conglomerados (11 por condición). Frente al análisis de casos escritos, la simulación conversacional se asoció con mejores resultados inmediatos en la coherencia del diagnóstico y en la formulación de preguntas situacionales e identificación de indicadores conductuales. Es una evidencia experimental de interés para una tarea profesional delimitada. No demuestra, por sí sola, transferencia duradera a la práctica con alumnado real: los resultados se refieren al desempeño inmediato en casos simulados y a indicadores específicos del ejercicio.

Carrera et al. (2027) estudian simuladores virtuales basados en casos dentro de dos asignaturas prácticas de un grado en Psicología en línea. Las 93 personas participantes valoraron favorablemente la experiencia. El aprendizaje percibido con el simulador fue el único predictor positivo significativo del aprendizaje percibido de competencias profesionales; ni la calidad técnica ni la implicación mostraron esa asociación, y ninguna variable del simulador predijo la satisfacción general con la asignatura. Al tratarse de un estudio correlacional basado en autoinformes, no constituye una medición directa de la competencia profesional adquirida. Leído junto al ensayo de Gómez-León, invita a distinguir entre la oportunidad de practicar en un entorno seguro, la percepción de haber aprendido y la demostración de una habilidad transferible.

Autonomía, delegación y reflexión crítica

Juárez-Vázquez et al. (2027) comparan cómo interactúan con la IA estudiantes de semestres iniciales y finales de programas STEM. En su estudio transversal de métodos mixtos participaron 188 estudiantes (116 de semestres iniciales y 72 de finales). Un perfil de prompts delegativos —orientados a que la herramienta resuelva directamente la tarea— fue más frecuente entre quienes cursaban los primeros semestres (75,9 %) que entre quienes estaban en los últimos (19,4 %); estos últimos también obtuvieron un índice superior de interacción y autonomía cognitiva. La comparación es sugerente para diseñar apoyos distintos según la experiencia académica, pero su carácter transversal no prueba que avanzar en la carrera cause por sí mismo un cambio en la forma de usar la IA: podrían intervenir diferencias previas entre cohortes u otras variables.

del Moral Pérez et al. (2027) analizan las reacciones de 425 futuros educadores ante tres narrativas fílmicas distópicas vinculadas con IA: una sobre delegación y pérdida de autonomía, otra sobre vigilancia y control de la percepción, y una tercera sobre acompañamiento y cuidado robotizados. El trabajo registra emociones, actitudes y cambios de percepción declarados después del visionado; la narrativa sobre vigilancia orwelliana produjo la mayor inquietud. Los resultados apuntan a una posibilidad didáctica: usar relatos audiovisuales para conversar sobre privacidad, responsabilidad y sustitución de decisiones humanas. No acreditan, sin embargo, que una sesión transforme de forma estable las actitudes o el juicio crítico del alumnado.

En el conjunto, encuentro una cuestión transversal que puede orientar el diseño: la ayuda es formativa cuando la actividad deja espacio para que el estudiante piense, contraste, decida y explique. Esta idea enlaza con un principio que he recogido en la entrada C.EaD-13 del Compendio EaD: la digitalización amplía recursos, pero no inventa por sí sola los principios pedagógicos permanentes; la actividad —que convierte al estudiante en protagonista— y la autonomía requieren participación reflexiva y un diseño que acompañe al aprendizaje (García Aretio, 2025). En la educación a distancia, una simulación, una conversación con IA o una tarea asíncrona pueden abrir oportunidades valiosas si hacen visible el trabajo intelectual y permiten valorar algo más que el producto final.

De la evidencia a la práctica: orientaciones y preguntas abiertas

La lectura conjunta de estos trabajos nos permite formular algunas orientaciones para la docencia y la investigación. No son recetas demostradas para cualquier contexto: son propuestas que convendría adaptar y evaluar atendiendo al propósito de cada actividad, a las características del alumnado y a las condiciones en que se aplica.

Para los equipos docentes, comenzaría por precisar qué dificultad se quiere atender y qué esperamos que haga el estudiante después de recibir una ayuda. Un mensaje personalizado, una actividad de recuperación, un módulo asíncrono o el comentario de un compañero cumplen funciones distintas. Puede ser útil pedir al estudiante que explique qué orientación le ha servido, qué ha decidido cambiar y por qué. Así, la ayuda no queda reducida a la recepción de una respuesta: se vincula con una actuación que el estudiante puede revisar y justificar.

Para quienes diseñan la evaluación, los estudios invitan a hacer corresponder cada afirmación con la evidencia adecuada. Si queremos conocer la percepción o la confianza del estudiante, el autoinforme puede aportar información. Si queremos valorar desempeño, comprensión o transferencia, necesitamos tareas y medidas que permitan observarlos. También convendría examinar qué ocurre una vez terminada la práctica inmediata y si los apoyos producen resultados distintos según el conocimiento previo o las circunstancias de los estudiantes.

Para los equipos de investigación, queda abierta la posibilidad de comparar apoyos y actividades equivalentes, describiendo con precisión el contexto, la participación y las medidas utilizadas. Sería valioso combinar los datos de uso y las percepciones con evidencias de la actuación del estudiante, y seguir su evolución cuando la pregunta se refiera a la permanencia de lo aprendido. En los estudios sobre revisión entre pares, otra línea sería analizar cuándo una sugerencia se acepta, se modifica o se rechaza razonadamente, y cómo se relacionan esas decisiones con la calidad de la versión final.

Para autores, revisores y editores, recomendaría describir las intervenciones y los instrumentos con suficiente detalle para que el lector pueda entender qué se hizo y qué se midió. Conviene distinguir entre participación, satisfacción, confianza, desempeño y transferencia, y evitar que una mejora en una de esas dimensiones se presente como prueba de otra. También es importante informar de los resultados no significativos y de las limitaciones del diseño, porque ayudan a delimitar el alcance real de las conclusiones.

Para responsables académicos, los estudios plantean una cuestión de viabilidad: cómo sostener apoyos personalizados, formación y retroalimentación sin trasladar una carga desproporcionada a docentes o estudiantes. Antes de extender una iniciativa, sería razonable valorar su ajuste pedagógico, accesibilidad y esfuerzo de implementación, y comprobar qué resultados aporta en ese contexto.

De aquí surgen preguntas para nuevas investigaciones: ¿qué características de un mensaje personalizado explican que algunos estudiantes comiencen antes una tarea, aunque eso no se traduzca en mejores resultados finales? ¿Qué tipo de práctica favorece que la recuperación y la variabilidad ayuden a recordar y transferir? ¿Cuándo el feedback entre pares conduce a una revisión de mayor calidad? ¿Qué aprendizajes de una formación asíncrona se mantienen después de su finalización? Y, en todos estos casos, ¿qué estudiantes se benefician más, cuáles necesitan otros apoyos y con qué medidas podemos comprobarlo?

Estas preguntas no invalidan lo que los trabajos ya aportan. Ayudan a convertir sus resultados en decisiones docentes más informadas y en investigaciones que distingan mejor entre la ayuda ofrecida, la actividad realizada y lo que finalmente aprende cada estudiante.

La educación a distancia ha ampliado sus mediaciones y sus posibilidades, pero sigue planteándonos una cuestión central: cómo ofrecer ayudas que favorezcan el aprendizaje sin hacer invisible la actividad intelectual del estudiante. Me gustaría que esta lectura conjunta contribuyera a formular mejor esa pregunta y a buscar evidencias más ajustadas para responderla. La próxima entrada, EDD-04, completará la mirada sobre el volumen 30(1) de RIED con los otros ocho trabajos, centrados en la preparación docente, la evaluación, los instrumentos, la síntesis de evidencias y la gobernanza. Así podremos considerar, junto con las experiencias de aprendizaje aquí examinadas, algunas de las condiciones necesarias para orientarlas y estudiarlas.

Nota: Texto elaborado con asistencia de inteligencia artificial, bajo la dirección, revisión y responsabilidad del autor.

Referencias

Documentos seleccionados para esta entrada

Aslan, M., Tat, O., & Demir, A. (2027). The feedback frontier: A comparison of AI-generated and expert feedback in L2 writing instruction [La frontera de la retroalimentación: comparación entre IA y expertos en retroalimentación para la escritura L2]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49193

Carrera, P., Hoyo, A., Merino-Cejudo, B. R., & González-Vázquez, A. (2027). Virtual simulators in an online Psychology degree: Assessment and perceived learning of competencies [Simuladores virtuales en un grado en Psicología en línea: valoración y aprendizaje percibido de competencias]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.48961

del Moral Pérez, M. E., Castañeda Fernández, J., López-Bouzas, N., & Bellver Moreno, M. C. (2027). Dystopias about artificial intelligence: Reflection and emotional impact elicited in university students [Distopías fílmicas sobre inteligencia artificial: reflexión e impacto emocional suscitado en universitarios]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.48914

Gómez-León, M. I. (2027). AI-based conversational simulation for training diagnostic reasoning in giftedness: A cluster randomized trial [Simulación conversacional con IA para entrenar el razonamiento diagnóstico en altas capacidades: ensayo aleatorizado por conglomerados]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.48916

Juárez-Vázquez, S., Sol Sampedro, F. J., Rivadeneyra-Romero, G., Carrillo Valdés, J. L., & Castillo Villegas, T. (2027). Generative AI interaction patterns, cognitive autonomy, and delegation: Initial versus final semesters in STEM higher education [IA generativa, patrones de interacción, autonomía cognitiva y delegación: semestres iniciales versus finales en educación superior STEM]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49292

Marciniak, R. (2027). Do students’ perceived benefits of generative AI correspond to higher grades in online master’s programs? [¿Se corresponden los beneficios de IA generativa percibidos por estudiantes con mejores calificaciones en másteres online?] RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49023

Muñoz-Martínez, C., Castelló-Sirvent, F., & Roger-Monzó, V. (2027). Paradoxes of generative AI in asynchronous assessment: Assessed quality and lexical-thematic organization of essays [Paradojas de la IA generativa en evaluación asíncrona: calidad evaluada y organización léxico-temática de los ensayos]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49280

Trejo-Trejo, G. A., & Gordillo-Espinoza, E. (2027). Factors associated with the academic use of generative artificial intelligence among university students [Factores asociados al uso académico de la inteligencia artificial generativa en estudiantes universitarios]. RIED-Revista Iberoamericana de Educación a Distancia, 30(1). https://doi.org/10.5944/ried.49079

Conexiones con el Compendio y RIED

AIESAD. (2026, 9 de julio). RIED consolida su excelencia internacional y se mantiene en Q1 en los principales indicadores de impacto. https://aiesad.org/ried-consolida-su-excelencia-internacional-y-se-mantiene-en-q1-en-los-principales-indicadores-de-impacto/

García Aretio, L. (2025). Principios pedagógicos permanentes, válidos y potenciados en entornos virtuales (C.EaD-13). Compendio EaD. AIESAD. https://doi.org/10.58079/13cfd

Tomado de Contextos universitarios mediados

miércoles, 18 de noviembre de 2026

Agentes de IA con mente colectiva que aprenden mientras duermen

 Por Juan José de Haro

Los agentes de inteligencia artificial que trabajan en el ordenador, como Claude Code, Codex o Antigravity, empiezan cada sesión sin recordar nada de la anterior. Lo que se les explicó ayer sobre un proyecto, una corrección o la forma de trabajar de la persona que los usa se pierde al cerrar la conversación, y hay que repetirlo. Una forma de evitarlo es organizar lo que necesitan saber en varias capas, de modo que cada sesión empiece sabiendo lo importante. Este artículo describe un sistema de este tipo, de dónde salen sus ideas y qué hace falta para montarlo.

Actualizado el 8 de noviembre de 2026: el repaso de la memoria pasa de semanal a diario, los agentes funcionan como una mente colectiva y un buscador común les permite consultar las conversaciones de todos.

Pódcast del artículo realizado por Gemini Notebook

El olvido entre sesiones

Un agente trabaja con lo que cabe en su contexto, que es el texto que el modelo tiene delante en cada momento: las instrucciones, la conversación y los archivos que ha leído. Al terminar la sesión, ese contexto desaparece. Las herramientas ofrecen algunos remedios, como un archivo de instrucciones que se lee al empezar o una memoria donde el agente apunta lo que aprende, pero cada remedio por separado tiene un problema. Si se carga todo al empezar, el contexto se llena de información que casi nunca hace falta. Si se apunta sin orden, las notas se contradicen, se duplican y se quedan viejas.

El 6 de noviembre de 2026, Anthropic publicó un artículo de Lance Martin, «The components of agent memory», que ordena el problema en cuatro capas. Además, propone un proceso de consolidación al que llama dreaming (soñar). El sistema que se describe aquí sigue esa misma estructura, adaptada a un ordenador personal y sin servicios de pago aparte de la suscripción al agente.

Las cuatro capas de la memoria

Cada capa guarda un tipo de información y se lee en un momento distinto. Las de arriba son pequeñas y se leen siempre; las de abajo son grandes y se consultan solo cuando hace falta.

Lo que se lee siempre

La primera capa es un perfil con la forma de trabajar y de decidir de la persona: qué le importa, cómo quiere que se le presenten las propuestas y qué errores no quiere que se repitan. Junto al perfil van unas instrucciones generales, por ejemplo dónde se guardan los informes o qué hacer antes de publicar algo. Todos los agentes lo leen al empezar cada sesión, y por eso tiene que ser breve. Cada criterio se anota una sola vez, con un único ejemplo, y lo amplían los propios agentes cuando la persona corrige algo o aprueba una propuesta. Solo entra lo general, lo que serviría igual en cualquier otro trabajo. El agente puede sacar un primer perfil de las conversaciones que ya tenga guardadas; solo un agente recién instalado empieza con el perfil vacío, y entonces se llena con el uso, con cada corrección o aprobación de la persona.

Las notas del agente

La segunda capa es la memoria del agente: notas cortas, una por tema, con un índice que el agente lee al empezar y que le dice qué hay en cada nota. Claude Code la trae activada y carga al empezar las primeras 200 líneas del índice; el resto de notas las abre cuando las necesita. Aquí va lo privado y lo del propio equipo: qué servidores hay, dónde están las credenciales (nunca las contraseñas), qué trucos tiene cada herramienta y qué tareas quedaron pendientes.

Las tareas pendientes con fecha se recuerdan con un pequeño programa que se ejecuta al abrir cada sesión y que en Claude Code se llama hook (gancho). Si la tarea es de la persona, el aviso aparece una vez al día como mucho. Si es trabajo del agente, se le pasa a él, que la hace y solo cuenta el resultado.

La wiki de los proyectos

La tercera capa está formada por documentos dentro de cada proyecto, en la misma carpeta que su código o su contenido:

  • El archivo AGENTS.md recoge lo que hay que saber para trabajar en ese proyecto: cómo se prueba, dónde se publica, qué no se puede olvidar. Es un formato abierto que mantiene la Agentic AI Foundation, de la Linux Foundation, y que leen Codex, Claude Code y otros agentes al entrar en la carpeta.
  • Los ADR, siglas en inglés de Architecture Decision Record (registro de decisiones de arquitectura), guardan el porqué de cada decisión importante y las alternativas que se descartaron. El formato lo propuso Michael Nygard en 2011 en «Documenting Architecture Decisions», y la guía Vibe coding responsable explica cómo usarlos al programar con IA.

Estos documentos se actualizan en el mismo cambio que la decisión que recogen, y por eso no se quedan viejos con tanta facilidad como una copia guardada en otro sitio. Por encima de todos ellos hay un mapa de proyectos, con una ficha por proyecto que recoge su estado, sus temas y los enlaces a su AGENTS.md y a sus ADR. El mapa tiene un buscador que mira a la vez en las fichas y en todos esos documentos. Es la misma idea que Andrej Karpathy describe en «LLM Wiki»: un conjunto de archivos Markdown enlazados que la propia IA mantiene al día.

Las conversaciones

La cuarta capa son las conversaciones completas, que los agentes guardan en el disco. Son el material en bruto: no se leen en cada sesión, pero cualquier agente puede consultarlas cuando hace falta recuperar lo que se dijo o se decidió en una sesión concreta, y son la fuente del repaso diario. Como cada agente las guarda a su manera, en formatos distintos y llenas de resultados de las herramientas, conviene un pequeño buscador común: reúne las conversaciones de todos los agentes y, ante una pregunta, devuelve solo los fragmentos del diálogo que tratan de ella, con su fecha y su proyecto. Lo programa el propio agente, y las instrucciones generales de todos indican cómo usarlo. Conviene comprobar cuánto tiempo las guarda cada agente: Claude Code, por ejemplo, las borra a los 30 días si no se amplía ese plazo en sus ajustes.

Una mente colectiva

Cada sesión es, en la práctica, un agente nuevo: empieza sin recordar nada y desaparece al cerrarla. Con este sistema, al empezar recibe lo que han aprendido todas las sesiones anteriores, de ese mismo agente o de otro, como Claude Code, Codex o Antigravity. Lee el mismo perfil, la misma wiki y puede buscar en todas las conversaciones. Ese conocimiento cambia su forma de trabajar desde el primer momento, y lo que aprende durante la sesión vuelve al conjunto con sus notas y con el repaso diario. El resultado se parece al colectivo Borg de Star Trek: muchos individuos que comparten una misma memoria. Pero cada sesión conserva su individualidad: razona por su cuenta, puede equivocarse y lo que aporta se revisa antes de entrar en el perfil.

Dónde va cada cosa

Con varias capas, la duda frecuente es dónde apuntar algo nuevo. La regla es sencilla: lo general sobre la persona va al perfil; lo de un proyecto, a su AGENTS.md o a un ADR; lo privado y lo del equipo, a la memoria del agente. Hay que tener en cuenta que muchos proyectos son públicos, así que en su AGENTS.md no puede aparecer nada personal, como direcciones de la red de casa, nombres o cuestiones económicas.

La información también cambia de capa con el tiempo. Una nota que empezó en la memoria mientras se probaba algo pasa al AGENTS.md del proyecto cuando ya no cambia, y desde ahí la ven todos los agentes, no solo el que la apuntó. Esta regla está escrita en las instrucciones generales de todos los agentes, para que cualquiera de ellos la aplique.

El repaso diario

Durante el día los agentes apuntan con prisa, en medio del trabajo, y algunas notas salen mal o se quedan viejas. El artículo de Anthropic propone un proceso de consolidación, inspirado en lo que hace el cerebro durante el sueño, que repasa las conversaciones y las notas para corregir errores y reorganizar lo aprendido. En sus pruebas, una wiki construida así hizo que el agente pasara de responder bien el 13 % de las preguntas sobre un conjunto de documentos al 48 %.

El ejemplo de Anthropic hace el repaso cada noche. En un ordenador personal, que de noche suele estar apagado, se hace una vez al día en cuanto se enciende: el día del repaso empieza de madrugada, a una hora en que el equipo nunca está en marcha, y un programa comprueba cada pocos minutos si ya se ha hecho. Si no, lanza un agente que lee lo que ha escrito la persona en todas las conversaciones desde el repaso anterior y lo compara con el perfil, las notas y la wiki. Si ese día no ha habido conversaciones, no lanza nada. Busca criterios que nadie apuntó, notas que ya no son ciertas, duplicados e información que debería bajar de capa. El agente del repaso solo puede leer y escribir un archivo, así que no cambia nada: deja una propuesta por escrito, con el texto actual y el propuesto en cada punto. Las instrucciones que recibe el agente del repaso están en el archivo repaso-diario-memoria.txt. No hace falta tocarlas: el agente que monta el sistema las adapta al ordenador.

En la siguiente sesión, el agente revisa esa propuesta y comprueba cada punto antes de aplicarlo, porque el repaso también se equivoca: en el primero, que abarcó una semana entera, uno de sus once hallazgos era falso. Lo que toca a la memoria y a la wiki lo aplica directamente. Los cambios del perfil los presenta a la persona, todos juntos y con el texto actual al lado del propuesto, y no se aplican hasta que los aprueba.

Anthropic ofrece este proceso como servicio en su plataforma para desarrolladores, con un ejemplo publicado que se paga por uso. Con un agente instalado en el ordenador, en cambio, el repaso corre con la misma suscripción que el resto del trabajo.

La copia de seguridad

Todo esto vive en archivos del ordenador: el perfil, las notas, las conversaciones, los ajustes de los agentes y la lista de tareas programadas. Por eso conviene incluirlo en la copia de seguridad, cifrada, porque las conversaciones contienen de todo. Conviene también tener por escrito cómo recuperarlo en otro ordenador, con los pasos en orden, para que un cambio de equipo no obligue a empezar de cero.

Límites y precauciones

El sistema tiene algunos inconvenientes que conviene conocer:

  • El perfil y el índice cuestan contexto. Todo lo que se carga al empezar ocupa espacio en cada sesión, y un error apuntado ahí se repite en todas. Por eso esas dos piezas tienen que ser breves y revisarse.
  • El repaso se equivoca. Sus propuestas se comprueban antes de aplicarlas, y el perfil necesita la aprobación de la persona.
  • Las conversaciones son sensibles. Contienen todo lo que se ha dicho y todo lo que el agente ha leído, así que no deben salir del ordenador sin cifrar.
  • Cada herramienta guarda su memoria a su manera. La memoria de Claude Code no la lee Codex, y al revés. Lo que deben saber todos los agentes tiene que ir al perfil o a la wiki, que sí leen todos.

Qué hace falta para montarlo

Solo hace falta un agente instalado en el propio ordenador, en su versión de consola o de escritorio, como Claude Code, Codex o Antigravity. No hace falta ningún servidor: el repaso diario se hace al encender el ordenador. El artículo «Consolas de IA: qué son y cómo se instalan» explica cuáles hay y cómo se instalan. En las versiones web no funciona, porque no pueden leer ni escribir los archivos del ordenador, que es donde vive la memoria.

No hay que montarlo a mano. Se le da al agente una sola vez el prompt que viene a continuación: él crea todas las piezas y solo pregunta lo que no puede saber. Desde ese momento, cada sesión nueva trabaja con este sistema, y lo único que hay que hacer es aprobar o rechazar los cambios del perfil que proponga el repaso diario.

Lee el artículo https://educacion.bilateria.org/agentes-de-ia-que-aprenden-mientras-duermen y monta en este ordenador su sistema de memoria, adaptado a mí. Decide tú los detalles técnicos, eligiendo siempre lo más sencillo y seguro, y créalo todo: el perfil, las notas, el aviso de tareas pendientes, el buscador de conversaciones, el repaso diario y la copia de seguridad. Si en este ordenador hay otros agentes, como Codex o Antigravity, haz que compartan el mismo sistema. No uses servicios de pago aparte de la suscripción: nada de la API. Para el repaso, parte de las instrucciones que enlaza el artículo; el agente del repaso solo puede leer archivos y escribir su propuesta. Asegúrate también de que las conversaciones no se borren solas. Para empezar el perfil, lee las conversaciones que tengas guardadas y tu memoria, y apunta solo lo que yo haya dicho o hecho; si no hay nada, hazme como mucho tres preguntas cortas. El repaso no debe cambiar nada por su cuenta: lo que toque al perfil me lo enseñarás para que diga sí o no. Pregúntame solo lo que no puedas saber tú, de una en una, con preguntas de sí o no o con dos opciones explicadas en palabras sencillas. Al terminar, cuéntame en cinco líneas qué has montado, qué tendré que hacer yo de forma habitual y cómo deshacerlo si no me convence.

Referencias

Tomado de Bilateria 

martes, 17 de noviembre de 2026

Las máquinas también son audiencia: cómo adaptar la comunicación institucional a la inteligencia artificial

 Tomado de Universo Abierto

Speaker presenting artificial intelligence communication strategies beside humanoid robots
A speaker presents institutional communication strategies for artificial intelligence to an audience alongside humanoid robots.

Pew Research Center. (2026, 1 de octubre). Welcoming machines as audience: A guide for nonprofit communicators thinking about AI. Pew Research Center. Consultar artículo original

PDF

La idea fundamental es que la visibilidad institucional está cambiando: ya no basta con estar presente en Internet, también hay que ser comprensible, recuperable y reconocible para la inteligencia artificial. Las bibliotecas tienen aquí una nueva responsabilidad como intermediarias entre el conocimiento publicado, los sistemas inteligentes y los ciudadanos.

Se presenta una guía del Pew Research Center dirigida a profesionales de la comunicación de organizaciones sin ánimo de lucro, con recomendaciones para adaptar sus estrategias a un escenario en el que la inteligencia artificial se ha convertido en intermediaria entre las fuentes de información y los ciudadanos. Los usuarios recurren cada vez más a herramientas como ChatGPT y otros asistentes inteligentes para buscar información, resolver dudas y conocer el trabajo de diferentes instituciones. Este cambio está modificando la manera en que las personas descubren, interpretan y confían en los contenidos publicados en Internet.

La idea central es que las organizaciones ya no deben pensar exclusivamente en las personas como destinatarias de sus contenidos, sino también en los sistemas de inteligencia artificial que rastrean, interpretan, seleccionan y presentan esa información. Esto significa que las instituciones deben aprender a comunicar simultáneamente para dos públicos: los lectores humanos y las máquinas que procesan sus contenidos. La presencia de una organización en los resultados de los buscadores tradicionales ya no garantiza que también aparezca en las respuestas generadas por los asistentes de IA.

El documento propone una estrategia estructurada en tres líneas de actuación: aceptar, adaptar y avanzar (Accept, Adapt, Advance).

– Aceptar (Accept): reconocer que la inteligencia artificial ha llegado para quedarse y que una parte de los usuarios ya utiliza estos sistemas para acceder a la información. Las organizaciones deben asumir que este comportamiento puede afectar al tráfico directo hacia sus páginas web y a la manera en que se distribuyen sus contenidos.

– Adaptar (Adapt): analizar cómo aparecen actualmente los contenidos institucionales en las respuestas de los sistemas de IA. Se recomienda realizar pruebas con preguntas reales relacionadas con la actividad de la organización, utilizando diferentes plataformas. Es importante comprobar si la institución aparece mencionada, si sus documentos son citados y si se incluyen enlaces que permitan acceder a las fuentes originales.

– Avanzar (Advance): incorporar los resultados de estas evaluaciones a las futuras estrategias de comunicación. Esto implica mejorar la estructura, los metadatos y la accesibilidad de los contenidos para facilitar su interpretación por parte de los sistemas automatizados, sin descuidar las necesidades de los lectores humanos.

La guía incluye una lista de comprobación con recomendaciones prácticas. En primer lugar, propone decidir si interesa que los chatbots de inteligencia artificial utilicen y difundan los contenidos de la organización. Esta decisión debe estar vinculada a sus objetivos institucionales, identificando qué investigaciones, servicios, productos y públicos interesa hacer más visibles. También se debe definir qué resultados se esperan: respuestas precisas, atribución correcta de la autoría y enlaces que conduzcan a la fuente original.

En segundo lugar, recomienda evaluar la visibilidad institucional en los sistemas de IA mediante entre 10 y 20 preguntas reales que deberían permitir localizar los conocimientos, investigaciones o datos de la organización. Estas consultas deben probarse en distintas plataformas, registrando si la institución aparece, si recibe citas y enlaces y si la información recuperada es actual, correcta y completa. También conviene identificar errores, referencias desactualizadas, omisiones y problemas de atribución, repitiendo periódicamente las pruebas para observar la evolución.

Otro aspecto fundamental es la denominada legibilidad para las máquinas (machine readability). Pew Research Center recomienda que los datos representados en gráficos estén disponibles también como texto, que los metadatos describan claramente los temas, autores, periodos temporales y conjuntos de datos, y que los informes importantes dispongan de versiones en texto plano o Markdown. Asimismo, aconseja revisar las páginas web para detectar elementos que puedan dificultar el rastreo, la interpretación o la recuperación de la información por parte de los sistemas automatizados.

Finalmente, el documento propone medir los resultados mediante tres indicadores principales: visibilidad, precisión y generación de tráfico. No basta con que una herramienta de IA mencione una institución; también debe representar correctamente su información y facilitar el acceso a sus contenidos originales. Para ello, recomienda establecer responsables de seguimiento y realizar evaluaciones periódicas en las principales plataformas.

Lista de comprobación práctica para profesionales de organizaciones sin ánimo de lucro

1. ¿Quieres que las personas utilicen chatbots de inteligencia artificial para encontrar y conocer el trabajo de tu organización?

  • Analiza cómo la visibilidad en los sistemas de IA contribuye a la misión y a los objetivos de comunicación de tu organización.
  • Decide si quieres que los sistemas de inteligencia artificial accedan a tus contenidos y los muestren en sus respuestas.
  • Identifica los temas, productos y públicos para los que resulta más importante tener visibilidad en la IA.
  • Define los resultados que deseas conseguir: respuestas precisas, atribución clara de la autoría y enlaces que permitan regresar a tu organización y consultar sus fuentes originales.

2. ¿Cómo aparece actualmente tu trabajo en los sistemas de IA? ¿Es esa la visibilidad que deseas?

  • Selecciona entre 10 y 20 preguntas o instrucciones reales (prompts) que deberían permitir localizar tus conocimientos especializados, investigaciones o datos.
  • Prueba las mismas preguntas en diferentes plataformas de inteligencia artificial.
  • Registra si tu organización aparece mencionada, citada y enlazada.
  • Pide a un experto en la materia que evalúe si cada respuesta está actualizada y es precisa y completa.
  • Identifica patrones y problemas, como información desactualizada, atribuciones poco claras, enlaces ausentes o datos que los sistemas no consiguen recuperar.
  • Repite las pruebas periódicamente para comprobar qué aspectos cambian con el tiempo.

3. ¿Cómo puedes conseguir que tus contenidos sean legibles para las máquinas?

  • Adopta un flujo de trabajo simultáneo: continúa ofreciendo contenidos y servicios a las personas mientras preparas también la información para que pueda ser procesada por las máquinas.
  • Facilita que los datos y la información que aparecen en gráficos estén disponibles en formato de texto legible, y no únicamente como imágenes estáticas.
  • Mejora los metadatos para que los sistemas puedan identificar elementos como el tema, la población estudiada, los años que abarca la información, los informes, los conjuntos de datos y los autores.
  • Crea versiones en texto plano o Markdown de los principales informes para facilitar que las máquinas recuperen sus contenidos esenciales.
  • Audita tu sitio web para detectar cualquier elemento que pueda dificultar que los sistemas automatizados rastreen, interpreten o relacionen la información.

4. ¿Cómo puedes saber si estás teniendo éxito?

  • Comprueba que los motores de inteligencia artificial recuperan tu información (visibilidad), la representan correctamente (precisión) y generan tráfico hacia tu organización (enlaces).
  • Utiliza diferentes indicadores para evaluar los resultados, entre ellos pruebas basadas en preguntas (prompts), actividad de los rastreadores de IA, menciones, citas y tráfico procedente de referencias externas.
  • Designa a una persona responsable de realizar pruebas periódicas en las plataformas y modelos de inteligencia artificial más utilizados.