El agente de IA de la Universidad Bar-Ilan ayuda a los estudiantes a ponerse al día, pero el profesorado sigue enseñando
La Universidad Bar-Ilan amplió un agente de aprendizaje con IA después de que un piloto de 71 cursos llegara a unos 2.400 estudiantes, pese a la evidencia limitada sobre su impacto académico. El agente de IA de la Universidad Bar-Ilan busca en materiales de curso aprobados, crea resúmenes y genera preguntas de práctica dentro de Moodle.
Ese diseño controlado diferencia el proyecto de que los estudiantes peguen apuntes de clase en un chatbot público. Los miembros del profesorado deciden qué grabaciones, transcripciones, presentaciones y artículos entran en el sistema. Los estudiantes consultan después una base de conocimientos específica de cada curso, en lugar de la web abierta.
La distinción también genera la tensión central del proyecto. Restringir las fuentes del agente puede reducir las respuestas irrelevantes, pero no puede garantizar explicaciones precisas ni un mejor aprendizaje. Bar-Ilan debe demostrar ahora que una recuperación de información conveniente favorece la comprensión, en lugar de sustituir el difícil trabajo que la produce.
El agente de IA de la Universidad Bar-Ilan supera un pequeño piloto
Bar-Ilan ha convertido un asistente de aprendizaje experimental en una prueba más amplia de IA basada en contenidos de curso.
La universidad puso a prueba el agente en febrero de 2026, según el despliegue informado por Microsoft. La implementación inicial abarcó 71 cursos y aproximadamente 2.400 estudiantes.
Bar-Ilan planea añadir otros 100 cursos durante el primer semestre del año académico 2026/27. Esta ampliación es significativa porque lleva el sistema más allá de unos pocos docentes entusiastas.
La universidad tiene más de 20.000 estudiantes en Ramat Gan, cerca de Tel Aviv. El despliegue ampliado todavía representa solo una parte de la institución, pero crea una prueba operativa de mayor escala.
Los estudiantes acceden al agente a través de Moodle, el sistema de gestión del aprendizaje que ya se utiliza para las actividades del curso. Esta ubicación familiar importa porque los estudiantes no necesitan adoptar una plataforma de estudio independiente.
El agente admite hebreo, árabe e inglés. Sus conocimientos sobre el curso pueden incluir clases grabadas, transcripciones, diapositivas, artículos académicos, tareas y otros recursos seleccionados por el profesorado.
Un estudiante puede preguntar dónde abordó un docente un concepto específico. El agente puede recuperar el material relevante, condensarlo y producir preguntas para la autoevaluación.
Estas funciones abordan un problema habitual tras una ausencia. Perderse una clase genera más que una página en blanco en un cuaderno. El material posterior suele depender de definiciones, ejemplos y argumentos introducidos durante esa sesión.
Yarden Shay, estudiante de grado de criminología y psicología, describió esa brecha acumulativa en el relato de Microsoft. Antes dependía de los apuntes de sus compañeros mientras también gestionaba entre seis y ocho horas de nuevas clases cada día.
Shay ahora utiliza el agente para repasar el material del curso y evaluarse con preguntas de opción múltiple y de respuesta abierta. Contó a Microsoft que su tiempo diario de estudio después de las clases pasó de cinco o seis horas a unas tres.
Este relato ofrece un caso de uso concreto, pero sigue siendo la experiencia de una sola estudiante. No establece que todos los participantes ahorraran tiempo o aprendieran con mayor eficacia.
El proyecto también tiene una historia más larga de lo que sugiere el despliegue más reciente. Bar-Ilan anunció un piloto original de 2024 que involucraba 15 cursos y 15 docentes de áreas como derecho, psicología, física, ingeniería e historia.
Aquel asistente inicial surgió de una herramienta desarrollada para soldados en reserva que necesitaban ayuda para recuperar trabajo académico perdido. Por tanto, el diseño comenzó con la continuidad y el acceso, no con la producción automatizada de ensayos.
Su forma ampliada refleja el mismo objetivo. El agente ayuda a los estudiantes a navegar materiales que sus instructores ya han aprobado, en lugar de producir un currículo independiente.
El sistema utiliza Azure AI Services y Microsoft Copilot Studio. KPMG y OpenApp participaron en su desarrollo, mientras que el personal docente de Bar-Ilan aportó y revisó el contenido académico.
Esta combinación hace que el despliegue sea menos autónomo de lo que podría sugerir la palabra «agente». El software recupera, resume y genera actividades de estudio, pero los miembros del profesorado definen sus límites informativos.
Ese papel acotado es la razón por la que el proyecto merece atención. Bar-Ilan está probando si las universidades pueden hacer útil la IA generativa limitando lo que sabe.
Las respuestas fundamentadas cambian el debate sobre la IA en el campus
La característica más sólida no es una inteligencia sin restricciones, sino una base de conocimientos deliberadamente limitada.
Los chatbots de propósito general pueden responder preguntas sobre casi cualquier tema. Esa amplitud es útil, pero resulta poco adecuada para cursos con terminología específica, lecturas asignadas o interpretaciones controvertidas.
Un modelo amplio podría explicar un concepto jurídico usando otra jurisdicción. Podría enfatizar una teoría que el docente nunca asignó o presentar una definición desactualizada.
En cambio, el agente de Bar-Ilan utiliza fundamentación mediante recuperación. Este proceso proporciona material fuente seleccionado a un modelo de lenguaje para que su respuesta se ajuste más estrechamente a ese material.
Los controles de fundamentación de Microsoft permiten a los creadores conectar agentes con archivos específicos y otras fuentes de conocimiento. También pueden decidir si un agente debe utilizar el conocimiento general del modelo.
Microsoft afirma que la implementación de Bar-Ilan se fundamenta exclusivamente en materiales cargados por el personal docente. Por ello, el agente funciona más como una interfaz conversacional para cada curso que como un tutor en línea independiente.
Este enfoque mejora la relevancia, pero «fundamentado» no significa infalible. Un modelo aún puede resumir mal un pasaje, fusionar ideas distintas o expresar incertidumbre con una confianza injustificada.
La calidad de las fuentes también se vuelve decisiva. Unas diapositivas escuetas pueden funcionar como apoyo durante una clase en vivo, pero proporcionar muy poco contexto para una explicación automatizada.
El docente Eliyahu Biton se encontró con esa limitación al preparar cursos de derecho y ética sanitaria. Amplió los puntos de las diapositivas, añadió documentos detallados, proporcionó transcripciones de las clases y probó las respuestas repetidamente.
Su experiencia revela el mecanismo oculto tras la pulida interfaz para estudiantes. El agente solo se vuelve útil después de que los instructores convierten el conocimiento implícito del aula en material explícito y legible por máquina.
Este es un desafío conocido en la gestión del conocimiento personal. La calidad de la recuperación depende de cuán claramente se capture, organice y conecte la información antes de que llegue una pregunta.
Para los estudiantes, el corpus controlado ofrece otra ventaja. Un resumen puede mantenerse alineado con la secuencia de enseñanza del docente, en lugar de extraer definiciones de sitios web no relacionados.
Esa coherencia puede ser especialmente útil cuando los estudiantes estudian en una segunda lengua. También puede reducir el tiempo dedicado a alternar entre grabaciones de vídeo, presentaciones, lecturas y apuntes de compañeros.
La interfaz en tres idiomas aumenta la accesibilidad, aunque la información disponible no compara la calidad de las respuestas entre hebreo, árabe e inglés. La traducción y la recuperación multilingüe siguen siendo áreas importantes para evaluar.
La fundamentación en el curso también cambia la forma en que los instructores pueden evaluar los errores. Cuando una respuesta parece incorrecta, pueden inspeccionar el material fuente aprobado y determinar si el problema comenzó en el contenido o en el modelo.
Un chatbot público ofrece menos control. Su respuesta puede reflejar datos de entrenamiento, resultados web en vivo, cargas de usuarios, instrucciones del sistema o varias fuentes combinadas.
El enfoque de Bar-Ilan proporciona al profesorado una superficie de error menor. No elimina la superficie de error.
Esta distinción debería orientar cómo utilizan los estudiantes la herramienta. El agente puede ayudar a localizar y repasar conocimientos del curso, pero las respuestas controvertidas siguen requiriendo a un docente o una lectura autorizada.
El diseño también evita un malentendido habitual sobre la IA educativa. Más información no siempre es el objetivo.
Los estudiantes ya tienen grabaciones, diapositivas, artículos y bases de datos en línea. Su problema suele ser encontrar la explicación adecuada en el momento de confusión.
Un agente basado en el curso cambia la interfaz de esa información. Que cambie el aprendizaje depende de cómo respondan los estudiantes después de recuperar la información.
Un asistente docente de IA crea más trabajo antes de ahorrar tiempo
El asistente docente de IA desplaza el esfuerzo del profesorado de responder preguntas repetidas a preparar y supervisar conocimientos de curso reutilizables.
El proyecto de Bar-Ilan suele describirse desde la comodidad del estudiante, pero la preparación de Biton muestra el coste institucional. Un agente eficaz exige más que cargar una carpeta antigua de diapositivas.
El profesorado debe revisar grabaciones, limpiar transcripciones, ampliar abreviaturas, resolver contradicciones e identificar lecturas obsoletas. También debe probar las preguntas que probablemente harán los estudiantes.
Este trabajo se parece a crear un nuevo recurso para el curso. La diferencia es que los estudiantes pueden explorarlo mediante una conversación en lugar de seguir un documento fijo.
Para Biton, la inversión parece haber reducido las preguntas rutinarias y administrativas. También informó de que los estudiantes parecían menos ansiosos antes de los exámenes.
Los estudiantes pueden pedir al agente que cree nuevos exámenes de práctica en lugar de depender únicamente de preguntas archivadas. Reciben comentarios inmediatos que explican por qué una respuesta es correcta o incorrecta.
Este uso lleva el sistema más allá de la mera elaboración de resúmenes. La recuperación encuentra información, mientras que los cuestionarios generados piden a los estudiantes que la recuerden y apliquen.
La práctica puede favorecer el aprendizaje cuando los estudiantes intentan genuinamente responder. Se vuelve menos útil cuando solicitan de inmediato una solución y confunden el reconocimiento con el dominio.
Por tanto, el asistente docente de IA necesita restricciones deliberadas. Debe fomentar el esfuerzo, mostrar evidencia y redirigir las preguntas ambiguas a instructores humanos.
El papel del docente cambia bajo este modelo, pero no desaparece. El profesorado pasa a ser responsable tanto de la enseñanza de la materia como del entorno informativo que rodea al agente.
Biton describió su papel en evolución como más centrado en la mentoría. Sigue realizando sesiones de 90 minutos entre cuatro y seis veces al año para conversaciones más profundas.
Esas reuniones preservan algo que un sistema de recuperación no puede reproducir de forma fiable. Un instructor puede examinar el razonamiento de un estudiante, cuestionar sus supuestos y adaptarse a confusiones que nunca se anticiparon.
Esta división del trabajo es más creíble que una narrativa de sustitución. El agente gestiona las tareas repetitivas de acceso y práctica, mientras que el docente se encarga del juicio y el desarrollo intelectual.
Sin embargo, el acuerdo puede imponer cargas desiguales al profesorado. Un docente con amplios materiales digitales puede preparar un agente más fácilmente que alguien que enseña mediante debates, laboratorios o trabajo de campo cambiante.
El diseño del curso también afecta su idoneidad. Un módulo introductorio con muchos datos ofrece materiales de fundamentación más claros que un seminario basado en la interpretación y el desacuerdo.
Por tanto, las universidades deben evitar tratar la preparación para agentes como un indicador indirecto de la calidad docente. Algunas enseñanzas excelentes no producen un gran archivo de documentos reutilizables.
El mantenimiento es otro coste. Las leyes cambian, la investigación avanza y los docentes revisan sus argumentos. Una respuesta fundamentada en el archivo fiable del año pasado puede seguir siendo incorrecta hoy.
Todo curso necesita reglas de responsabilidad para las actualizaciones. Alguien debe decidir cuándo caduca una grabación, si una transcripción es precisa y qué versión de una lectura sigue siendo la autorizada.
El profesorado también necesita una forma de detectar dónde tiene dificultades el agente. Las preguntas repetidas sin respuesta pueden revelar contenido faltante, instrucciones confusas o debilidades en la estructura del curso.
Ese circuito de retroalimentación ofrece un beneficio institucional significativo. El agente puede poner de manifiesto carencias que permanecen invisibles cuando los estudiantes buscan respuestas en otros lugares de forma discreta.
Sin embargo, los análisis deben manejarse con cuidado. Las preguntas de un estudiante pueden revelar dificultades académicas, problemas de salud, creencias políticas o circunstancias personales delicadas.
Las instituciones deberían especificar quién puede revisar las conversaciones, cuánto tiempo permanecen disponibles los registros y si las interacciones influyen en la evaluación. La información pública disponible no proporciona esos detalles.
Un asistente docente de IA se vuelve fiable mediante la gobernanza, no por la marca. La interfaz puede parecer sencilla, pero el modelo operativo requiere responsables del contenido, procedimientos de revisión, controles de privacidad y escalamiento a personas.
La IA basada en el curso desafía a los chatbots abiertos
La principal competencia se da entre agentes de curso controlados por las instituciones y chatbots abiertos que los estudiantes ya utilizan sin supervisión docente.
Las universidades no pueden impedir de forma realista que todos los estudiantes consulten un chatbot general. La cuestión práctica es si pueden ofrecer una alternativa académica mejor.
Un agente específico de un curso compite en relevancia y confianza. Conoce los materiales asignados y puede reflejar el vocabulario utilizado en un aula concreta.
Un chatbot público compite en alcance y conveniencia. Puede introducir ejemplos externos, comparar teorías en competencia y responder preguntas que van más allá del programa formal.
Ninguna de las dos vías gana automáticamente. El sistema abierto corre el riesgo de hacer afirmaciones sin respaldo, mientras que el sistema cerrado corre el riesgo de reproducir materiales del curso incompletos o sesgados.
La estrategia de Bar-Ilan favorece la vía cerrada para el apoyo rutinario al aprendizaje. Los estudiantes aún pueden consultar al profesorado y fuentes más amplias, pero el agente parte de un marco académico aprobado.
Otras universidades están probando configuraciones más amplias. Arizona State University ha integrado ChatGPT Edu en la docencia, la investigación y las operaciones mediante un programa de IA para todo el campus.
Ese modelo invita a experimentar en muchas funciones universitarias. La implementación de Bar-Ilan es más acotada porque su uso estudiantil más visible se centra en repositorios de cursos específicos dentro de Moodle.
Los primeros chatbots universitarios siguieron otra vía. Pounce, de Georgia State University, comenzó respondiendo preguntas sobre matrícula, ayuda financiera e inscripción.
Georgia State probó más tarde mensajes para cursos e informó de mejores resultados en una clase de ciencias políticas. Su estudio sobre el chatbot concluyó que los participantes de primera generación que recibían mensajes obtenían calificaciones finales alrededor de 11 puntos más altas que sus pares.
Pounce demostró principalmente el valor de los recordatorios oportunos y el apoyo administrativo. El agente de aprendizaje con IA de Bar-Ilan aborda de forma más directa el contenido de las clases y las lecturas.
Estos ejemplos muestran cómo ha cambiado la categoría. Los chatbots universitarios antes respondían preguntas predefinidas o enviaban recordatorios. Los sistemas más recientes generan explicaciones, resúmenes y evaluaciones a partir de material académico no estructurado.
Esa transición aumenta tanto la utilidad como el riesgo. Una fecha límite de inscripción tiene una única fecha correcta, mientras que una cuestión jurídica o histórica puede admitir varias interpretaciones.
La base en el curso ayuda al limitar la evidencia. No puede decidir qué interpretaciones merecen énfasis a menos que el material proporcionado y las instrucciones dejen clara esa elección.
Por tanto, la presión sobre los chatbots abiertos no tiene que ver con la inteligencia bruta del modelo. Se trata de si una institución puede crear una opción predeterminada más segura y con mejor contexto.
Los estudiantes también necesitan claridad sobre ese límite. Si el agente responde solo a partir de fuentes aprobadas, debería indicar cuándo esas fuentes no contienen una respuesta.
Una respuesta segura de sí misma sin evidencia suficiente frustraría el propósito de basarse en el curso. Un sistema útil debe decir a veces que los materiales del curso son insuficientes.
El comportamiento de las citas importa por la misma razón. Los estudiantes deberían poder pasar de un resumen generado al segmento de la clase, la diapositiva o la lectura que lo respalda.
Sin esa trazabilidad, el agente se convierte en otra autoridad en la que se espera que los estudiantes confíen. Con ella, el agente puede servir como un mapa de vuelta a los materiales originales del curso.
Este diseño favorece un patrón de estudio más saludable. Un estudiante puede pedir orientación, revisar la evidencia y después trabajar con la fuente original.
La alternativa es depender de respuestas condensadas. Los resúmenes rápidos pueden ocultar desacuerdos, eliminar contexto y hacer que conceptos difíciles parezcan resueltos.
Las instituciones deberían medir qué patrón se desarrolla realmente. El volumen de uso por sí solo no puede distinguir una indagación productiva de la externalización de respuestas.
La expansión de Bar-Ilan le brinda la oportunidad de evaluar esos comportamientos en distintas disciplinas. Los resultados importarán más que el número de conversaciones.
Los primeros resultados son prometedores, pero están lejos de ser concluyentes
La evidencia pública muestra adopción y anécdotas alentadoras, no una prueba de que el agente mejore el aprendizaje a gran escala.
El relato de Microsoft ofrece varias señales positivas. Shay informó de sesiones de estudio más cortas y mayor independencia, mientras que Biton observó menos preguntas rutinarias y estudiantes más tranquilos.
Biton también afirmó que la puntuación final media de aproximadamente 50 estudiantes fue tres puntos porcentuales más alta que en años anteriores. Reconoció que la cohorte en sí podría haber sido más sólida.
Esa salvedad es esencial. Una comparación de un año a otro no puede aislar el efecto del agente de cambios en la docencia, la dificultad del examen, la composición del alumnado o la variación habitual.
La implementación tampoco cuenta con un grupo de control informado públicamente. Sin estudiantes comparables que no utilizaran el agente, la diferencia de puntuación sigue siendo sugestiva, no causal.
Los ahorros de tiempo comunicados por los propios usuarios requieren una cautela similar. Reducir el tiempo de estudio puede indicar eficiencia, pero también menos implicación con las clases y lecturas completas.
Los investigadores tendrían que comparar la retención, la transferencia, el rendimiento en los exámenes y el comportamiento de los estudiantes a lo largo del tiempo. La satisfacción inmediata por sí sola no puede responder si se produjo un aprendizaje más profundo.
La función de cuestionarios del agente plantea otra cuestión de medición. Generar prácticas ilimitadas puede mejorar la preparación, pero solo si las preguntas reflejan con precisión los objetivos del curso.
Las preguntas deficientes pueden premiar el recuerdo superficial. La exposición repetida a ítems generados similares también puede crear confianza sin comprensión flexible.
La revisión del profesorado se vuelve especialmente importante en ámbitos relacionados con la seguridad, el derecho, la salud o la evidencia controvertida. Un error sutil puede inducir a error a los estudiantes incluso cuando la mayor parte de una respuesta sea correcta.
La privacidad es otra área sin resolver en la información pública. Microsoft afirma que el agente opera dentro del entorno seguro de Azure de Bar-Ilan, pero esa declaración no explica todas las prácticas de datos.
Los lectores siguen necesitando detalles sobre retención, acceso, mejora del modelo, auditoría y eliminación. Las instituciones también deberían explicar si los docentes pueden consultar preguntas individuales.
Las orientaciones educativas de la UNESCO hacen hincapié en la protección de datos, la supervisión humana, la validación ética y el diseño pedagógico. Esos principios se aplican incluso cuando el software funciona dentro de un entorno institucional en la nube.
La libertad académica plantea una preocupación distinta. Una plataforma centralizada puede estandarizar el apoyo, pero cada docente necesita controlar cómo se representa su asignatura.
Los estudiantes también necesitan una forma clara de impugnar una respuesta incorrecta. Informar de un problema debería ser sencillo, y las correcciones deberían llegar a todas las personas afectadas.
La accesibilidad merece una evaluación directa, no una suposición. El acceso multilingüe es valioso, pero el rendimiento puede variar según los idiomas, los formatos de documento y la calidad de la transcripción de voz.
Las clases grabadas pueden contener términos especializados, acentos, fórmulas o nombres que las transcripciones automáticas interpretan mal. Un agente basado en el curso puede recuperar fielmente una transcripción inexacta.
La cobertura entre disciplinas puede revelar más límites. Los cursos centrados en texto se ajustan al sistema de manera más natural que el trabajo de estudio, la técnica de laboratorio, la interpretación musical o el juicio clínico.
La equidad también tiene dos caras. Un asistente siempre disponible puede ayudar a estudiantes con trabajo, responsabilidades de cuidado, servicio militar, enfermedad o barreras lingüísticas.
Sin embargo, los estudiantes con mayores habilidades para formular instrucciones pueden obtener más valor. Otros quizá no sepan cuándo desconfiar de una respuesta fluida o pedir evidencia de apoyo.
Las universidades deberían enseñar esas habilidades de forma explícita. Dar a los estudiantes un agente de IA sin alfabetización en IA transferiría demasiada responsabilidad al usuario.
También existe el riesgo de una extralimitación institucional. Una vez que existe una plataforma, los administradores pueden verla como una forma de aumentar el tamaño de las clases o reducir el apoyo humano.
La información actual sobre Bar-Ilan no plantea tal plan. Aun así, el valor del proyecto depende de preservar la relación entre docente y agente descrita por Biton y Shay.
Por tanto, la interpretación más segura es limitada. Bar-Ilan ha demostrado que un agente basado en el curso puede funcionar en decenas de asignaturas y respaldar tareas de estudio plausibles.
Todavía no ha demostrado que el sistema mejore de manera consistente las calificaciones, la retención, el pensamiento crítico o el conocimiento a largo plazo. Esos son los criterios que deberían orientar la siguiente fase.
Lo que los próximos 100 cursos deben demostrar
La expansión debería juzgarse por la evidencia de aprendizaje, la calidad de las respuestas y la participación sostenida del profesorado, en ese orden.
La primera señal es el rendimiento académico comparativo. Bar-Ilan debería examinar si los usuarios del agente mejoran en evaluaciones comunes tras considerar el rendimiento previo y las diferencias entre cursos.
La evaluación más sólida compararía grupos similares y mediría más que las calificaciones finales. Las evaluaciones diferidas podrían mostrar si los estudiantes retienen conocimientos después del período de exámenes.
Los resultados también deberían separarse por actividad. Buscar un segmento de una clase, leer un resumen y completar cuestionarios generados son comportamientos distintos con efectos educativos diferentes.
Si los mejores resultados siguen a la práctica activa, pero no a los resúmenes pasivos, Bar-Ilan podría rediseñar el agente en torno a las preguntas y la recuperación. Ese hallazgo reforzaría el argumento educativo del proyecto.
Si el uso crece sin una mejora medible, el agente podría seguir ofreciendo comodidad. No debería presentarse como prueba de una mejor educación.
La segunda señal es la fiabilidad de las respuestas. La universidad necesita un conjunto de evaluación repetible que cubra recuperación factual, síntesis, preguntas ambiguas, información ausente y respuestas multilingües.
El profesorado debería calificar las respuestas frente a los materiales del curso antes de la implementación y durante todo el semestre. Las categorías de error deberían distinguir entre recuperación incorrecta, generación defectuosa y contenido fuente deficiente.
El sistema también debería registrar las negativas adecuadas. Un agente que rechaza preguntas sin respaldo puede ser más seguro que uno optimizado para responderlo todo.
La expansión a 100 cursos adicionales supondrá una prueba mucho más exigente. Un método que funciona para un curso de derecho cuidadosamente preparado puede tener dificultades con ecuaciones, diagramas, procedimientos de laboratorio o debates interpretativos.
Las tasas de error publicadas ayudarían a estudiantes e instructores a calibrar la confianza. Incluso la información interna puede mejorar las decisiones de implementación si los resultados orientan la aprobación y revisión de los cursos.
La tercera señal es la participación del profesorado después de que pase la novedad. Preparar un agente de aprendizaje con IA requiere un trabajo editorial sostenido, no una conexión técnica puntual.
Bar-Ilan debería hacer seguimiento del tiempo que el profesorado dedica a preparar materiales, revisar respuestas, atender informes y actualizar fuentes. También debería preguntar si esos costes disminuyen en los cursos posteriores.
Una alta participación sugeriría que el flujo de trabajo genera suficiente valor como para justificar ese esfuerzo. El abandono por parte del profesorado indicaría que el sistema traslada demasiada carga de mantenimiento a cada docente.
Los equipos de apoyo pueden reducir esa carga mediante la corrección de transcripciones, plantillas de contenido, herramientas de evaluación y una gobernanza clara. No deberían excluir al profesorado de las decisiones sobre el significado académico.
El alumnado merece la misma transparencia. Cada curso debería explicar qué sabe el agente, qué registra y qué tareas siguen sin ser adecuadas para él.
Un acompañante de estudio debería orientar al alumnado hacia la evidencia y la reflexión. No debería convertirse en un atajo invisible que sustituya las clases, las lecturas o las conversaciones.
Los estudiantes que ya están creando sus propios sistemas de estudio también pueden utilizar un centro de conocimiento para estudiantes estructurado para conectar apuntes y fuentes. Se aplica el mismo principio: la organización debe apoyar el pensamiento, no sustituirlo.
El agente de IA de la Universidad de Bar-Ilan es un intento creíble de hacer que la IA en el campus rinda más cuentas. Sus fuentes aprobadas, la integración con Moodle y la supervisión del profesorado constituyen una base más sólida que un chatbot sin restricciones.
La siguiente fase debe evaluar los resultados en lugar de celebrar el acceso. ¿Recuerdan más los estudiantes, cuestionan las fuentes con mayor cuidado y se recuperan de las clases perdidas sin depender de los resúmenes?
Las respuestas determinarán si los agentes basados en el contenido de cada curso se convierten en una infraestructura académica duradera. Las universidades que consideren sistemas similares deberían observar la evidencia de esos próximos 100 cursos antes de considerar que el despliegue, por sí solo, es un éxito.
