Durante la primera mitad de 2025, comenzaron a explorarse y probarse los primeros Generative Tutoring Systems (GTS) en universidades europeas y startups educativas, en el marco de iniciativas piloto. A diferencia de los tradicionales sistemas adaptativos, estos tutores se apoyan en modelos de lenguaje de gran escala (Large Language Models, o LLMs) para generar explicaciones dinámicas, ejemplos personalizados y retroalimentación instantánea, todo en lenguaje natural.
¿Qué los distingue de los MOOCs?
A diferencia de los MOOCs tradicionales, que siguen rutas de aprendizaje prediseñadas, los GTS no funcionan con flujos fijos. Utilizan IA generativa con prompts adaptados en tiempo real al nivel del alumno, sus respuestas anteriores y su estilo de aprendizaje.
Por ejemplo, si un estudiante comete un error en álgebra, el tutor no solo señala la equivocación, sino que puede generar nuevos ejemplos, analogías, explicaciones alternativas e incluso pequeñas encuestas interactivas para reforzar el concepto desde distintos ángulos.
Beneficios inmediatos
→ Atención personalizada: enseñanza a la carta, ajustada al ritmo y necesidades del alumno.
→ Adaptación constante: sin necesidad de programación previa, el tutor ajusta automáticamente la dificultad.
→ Accesibilidad lingüística: explicaciones en múltiples idiomas y con distintos niveles de formalidad, lo que puede ayudar a romper barreras culturales y pedagógicas.
Implementación tecnológica
Empresas como LearnGenAI y TutorGPT están explorando y pilotando estos sistemas en universidades y entornos corporativos. La arquitectura de los GTS suele combinar:
→ Una base de conocimiento estática (temarios, ejemplos, ejercicios).
→ Componentes adaptativos que analizan el rendimiento y los errores del estudiante.
→ Generación de prompts en tiempo real según el contexto.
→ Creación automática de resúmenes, tests interactivos y rutas de refuerzo.
Retos y desafíos
→ Validación académica: es necesario asegurar que las respuestas generadas estén alineadas con criterios pedagógicos y libres de errores.
→ Sesgo en educación: es importante evitar contenidos estereotipados o culturalmente sesgados en función de región, género o estilo de aprendizaje.
→ Evaluación continua: se requiere medir el impacto real en la comprensión, retención y motivación del alumno.
¿Y el futuro?
Si estos sistemas se adoptan masivamente, podríamos ver aulas híbridas donde un tutor IA asuma entre el 50 % y el 70 % del feedback individual, liberando al docente para centrarse en el desarrollo de habilidades socioemocionales, pensamiento crítico o dinámicas grupales. Esta es una proyección basada en tendencias actuales y el potencial de la tecnología, aunque su adopción generalizada dependerá de avances técnicos, pedagógicos y éticos.
¿Estamos listos para un aula donde el tutor digital trabaje codo a codo con el humano? Si la tecnología sigue avanzando con responsabilidad pedagógica, los GTS podrían marcar un paso clave hacia una educación verdaderamente personalizada y universal.
Te recomendamos la lectura de nuestro artículo acerca de LawZero y “Scientist AI”: diseñando una IA honesta para supervisar agentes generativos.