El informe de la OCDE sobre IA en educación concluye que los estudiantes que usan IA suelen obtener peores resultados
El informe de la OCDE sobre IA en educación ha puesto de manifiesto un conflicto difícil: la mayoría de los estudiantes que usaban chatbots para tareas escolares obtuvo peores resultados que quienes los evitaban. El patrón apareció en una evaluación de 2025 que involucró a 760.000 jóvenes de 15 años en 91 países y economías.
Ese titular no significa que todos los estudiantes deban cerrar ChatGPT o Gemini. Los usuarios moderados a veces rindieron mejor que quienes los usaban de forma ocasional o intensiva. Los usuarios frecuentes también obtuvieron una ligera ventaja cuando las escuelas les enseñaban a evaluar información generada por IA.
Por tanto, la verdadera división no es entre usuarios y no usuarios de IA. Es entre la externalización cognitiva y la práctica guiada. Un chatbot puede producir una respuesta pulida sin garantizar que quien lo utiliza comprenda la pregunta, las pruebas o el razonamiento que hay detrás.
Esta distinción presiona a escuelas, familias y desarrolladores de IA a reconsiderar qué debería medirse en la adopción educativa. Las tareas más rápidas y las entregas de mejor aspecto no representan automáticamente aprendizaje. El rendimiento independiente sigue siendo la prueba más difícil e importante.
Lo que realmente encontró el informe de la OCDE sobre IA en educación
Los estudiantes que evitaban la IA para el trabajo escolar generalmente superaban a quienes la usaban, pero el resultado describe una asociación, no un perjuicio demostrado.
La OCDE publicó sus resultados de PISA 2025 el 8 de septiembre de 2026. PISA, el Programa para la Evaluación Internacional de los Estudiantes, mide cómo los jóvenes de 15 años aplican sus conocimientos a problemas desconocidos.
La evaluación de 2025 fue la mayor edición del programa. Abarcó a 760.000 estudiantes de 91 países y economías participantes. Ciencias fue la materia principal, mientras que lectura y matemáticas aportaron medidas adicionales de conocimientos fundamentales.
Por primera vez, PISA recopiló información detallada sobre la frecuencia con que los estudiantes utilizaban chatbots de IA para tareas escolares. Sus preguntas cubrían cuatro actividades habituales.
Los estudiantes indicaron si usaban chatbots para ayudarles a aprender, investigar un tema nuevo, resumir lecturas asignadas o redactar trabajos escritos. La encuesta también distinguía entre uso ocasional, moderado, semanal y casi diario.
La IA ya se había vuelto habitual para la mayoría de los estudiantes. En los países de la OCDE, solo el 14 por ciento declaró no usar nunca, o casi nunca, chatbots para ninguna de las actividades escolares examinadas.
Sin embargo, quienes no los usaban generalmente obtenían mejores resultados en ciencias que los usuarios. Los estudiantes que no empleaban IA para redactar trabajos también superaban a quienes declararon usarla con ese fin.
El patrón variaba según la actividad y la frecuencia. Los estudiantes que usaban IA semanalmente para ayudarles a aprender lograron resultados ajustados en ciencias similares a los de los no usuarios. Quienes la usaban casi a diario, o solo ocasionalmente, tendían a obtener peores resultados.
Para la elaboración de resúmenes y la investigación preliminar, los usuarios moderados rindieron mejor que quienes la usaban de forma limitada o intensiva. La OCDE definió el uso moderado para estas tareas como entre una vez al mes y dos veces por semana.
La redacción mostró una versión más débil de esa ventaja del uso intermedio. Los estudiantes que evitaban redactar con chatbots seguían manteniendo la ventaja general más clara.
Estas comparaciones ajustaron las puntuaciones previstas en ciencias según el nivel socioeconómico de los estudiantes. Ese ajuste importa porque la adopción de la IA no se distribuía de manera uniforme.
Los usuarios frecuentes tendían a proceder de contextos más favorecidos. Los no usuarios tenían más probabilidades de enfrentar desventajas socioeconómicas, incluido un acceso limitado a dispositivos, conexiones fiables a internet o servicios de IA de pago.
Incluso después de considerar el contexto socioeconómico, siguió siendo difícil separar el comportamiento de uso de las disposiciones de aprendizaje. Un estudiante con dificultades podría recurrir a la IA porque el trabajo ya le resulta difícil. El uso intensivo de IA también podría reducir el esfuerzo necesario para desarrollar capacidades independientes.
El informe no puede determinar qué dirección predomina. Ofrece evidencia transversal, lo que significa que la encuesta captó el uso y el rendimiento durante el mismo periodo de evaluación.
Por tanto, la OCDE no afirma que abrir un chatbot reduzca directamente la puntuación de un estudiante. Su conclusión más sólida es más práctica: el acceso por sí solo no predice un mejor aprendizaje.
Esta conclusión cuestiona una suposición común detrás de la adopción de IA en las aulas. La disponibilidad es fácil de contar, mientras que la comprensión es mucho más difícil de medir.
Las mejores tareas pueden ocultar un aprendizaje más débil
La IA generativa puede elevar la calidad del trabajo terminado mientras debilita la práctica que prepara a los estudiantes para trabajar de forma independiente.
Los hallazgos de la OCDE encajan con un conjunto más amplio de investigaciones experimentales. Los chatbots de propósito general suelen mejorar el resultado inmediato producido durante una tarea asistida. Esas mejoras pueden desaparecer cuando se retira la asistencia.
El panorama de educación digital de la organización describe este problema como una brecha entre rendimiento y aprendizaje. El rendimiento mide si un estudiante completó con éxito la tarea de hoy. El aprendizaje mide si el estudiante puede aplicar ese conocimiento más adelante.
Un estudiante puede pedir a un chatbot que resuma un capítulo y recibir una respuesta precisa y legible. Ese resultado dice poco sobre si el estudiante identificó el argumento principal, valoró las pruebas o recordó el material.
La redacción crea un conflicto aún más marcado. Un chatbot puede convertir una breve instrucción en un ensayo estructurado en cuestión de segundos. La entrega resultante podría mostrar vocabulario y organización que el estudiante no puede reproducir de forma independiente.
El producto visible mejora, pero el proceso de aprendizaje oculto se reduce. El estudiante dedica menos tiempo a recuperar información, resolver incertidumbres, seleccionar pruebas y revisar razonamientos débiles.
Esos pasos pueden parecer ineficientes. También son donde ocurre gran parte del aprendizaje.
Este mecanismo ayuda a explicar la inusual curva de frecuencia en los datos de PISA. El uso moderado puede complementar un proceso de aprendizaje activo. El uso intensivo crea más oportunidades de sustituir ese proceso.
Los usuarios ocasionales también pueden obtener peores resultados por varios motivos. Algunos quizá abran un chatbot solo cuando están confundidos o retrasados. En ese caso, su frecuencia de uso refleja una dificultad ya existente en vez de provocarla.
El OECD Digital Education Outlook examinó un estudio controlado de matemáticas con estudiantes de secundaria en Türkiye. Durante la práctica, los estudiantes recibieron una interfaz general de GPT-4 o una versión de tutoría diseñada específicamente.
El sistema de tutoría mejoró el rendimiento durante la práctica en un 127 por ciento respecto de los estudiantes sin acceso a IA. El chatbot general lo mejoró en un 48 por ciento.
Sin embargo, los estudiantes que practicaron con el chatbot general obtuvieron un 17 por ciento menos en un examen sin acceso a materiales que los estudiantes que nunca recibieron acceso a IA. El grupo de tutoría evitó la mayor parte de esa penalización.
El estudio controlado de matemáticas subyacente ofrece una comparación importante. Ambos sistemas utilizaban la misma familia de modelos subyacente, pero su comportamiento fomentaba acciones diferentes por parte de los estudiantes.
La interfaz general proporcionaba respuestas con facilidad. El tutor incluía salvaguardas diseñadas para guiar a los estudiantes a través de los problemas sin completar inmediatamente el trabajo.
Esa diferencia lleva el debate más allá de la precisión del modelo. Incluso una respuesta correcta puede socavar el aprendizaje cuando llega antes de que un estudiante formule y pruebe un enfoque independiente.
Por tanto, la IA educativa necesita otra medida de calidad. Los desarrolladores suelen evaluar si un modelo responde correctamente, sigue instrucciones y satisface a los usuarios. Un sistema de aprendizaje también debe preservar el esfuerzo productivo.
El esfuerzo productivo no exige ocultar todas las respuestas. Significa estimular la recuperación, pedir una explicación, identificar una idea errónea y retrasar la asistencia hasta que el alumno intente resolver el problema.
Un chatbot convencional optimiza la ayuda inmediata. Un tutor educativo a veces debe resistir ese impulso.
Esto crea un conflicto de producto incómodo. Los estudiantes suelen preferir herramientas que reducen el trabajo, mientras que las escuelas necesitan herramientas que mejoren la capacidad independiente.
El uso, la velocidad de finalización y la satisfacción pueden recompensar el diseño equivocado. Un sistema que hace las tareas sin esfuerzo podría parecer exitoso en un panel de control mientras debilita el rendimiento en los exámenes.
Las puntuaciones de los estudiantes en IA de PISA hacen visible ese problema de medición a escala global. Las escuelas no pueden evaluar la tecnología educativa únicamente a través de la adopción o la calidad de las tareas.
Necesitan pruebas de que las capacidades se transfieren a situaciones en las que el chatbot está ausente, restringido o no puede proporcionar una respuesta ya preparada.
La alfabetización en IA cambia el resultado
Los estudiantes se beneficiaron más cuando las escuelas combinaron el uso frecuente de IA con la práctica explícita de cuestionar la información que producía.
Alrededor de seis de cada diez estudiantes de los países de la OCDE declararon recibir tareas de clase que implicaban evaluar información generada por IA. Las proporciones nacionales oscilaron entre el 31 por ciento y más del 80 por ciento.
Entre esos estudiantes, el 46 por ciento afirmó realizar a veces esas actividades. Cerca del 33 por ciento lo hacía con frecuencia, mientras que el 22 por ciento declaró hacerlo muy a menudo.
Los estudiantes recibían más práctica para evaluar información ordinaria en internet. Aproximadamente ocho de cada diez indicaron que las clases les habían pedido evaluar la calidad de la información encontrada en la red.
Esta distinción importa porque los resultados de IA plantean desafíos específicos. Un chatbot produce lenguaje fluido incluso cuando su razonamiento o sus pruebas son incompletos.
Evaluarlo requiere habilidades de lectura convencionales y cierta comprensión de cómo los sistemas generativos construyen respuestas. Los estudiantes deben examinar afirmaciones, rastrear fuentes, reconocer la incertidumbre y comparar las respuestas con material fiable.
PISA encontró una inversión modesta pero notable entre los estudiantes que recibían esas oportunidades. Los usuarios frecuentes que aprendieron a evaluar información de IA superaron ligeramente a los no usuarios y a los estudiantes que usaban IA dos veces al mes o menos.
El resultado no demuestra que las lecciones de evaluación causaran la mejora. Las escuelas que ofrecen una formación más sólida en IA también podrían contar con mejores docentes, recursos o apoyo académico más amplio.
Sin embargo, debilita la idea de que el uso de IA sea uniformemente perjudicial. El entorno educativo y el comportamiento del estudiante parecen moldear el resultado.
Los hallazgos sobre alfabetización en IA de la OCDE enfatizan la interpretación en lugar del consumo pasivo. Ese enfoque sitúa la capacidad lectora en el centro del uso eficaz de los chatbots.
Un ejercicio útil en el aula podría ofrecer a los estudiantes una explicación generada por IA que contenga afirmaciones precisas, supuestos sin respaldo y una cita falsa. Después, los estudiantes anotarían y verificarían cada afirmación.
Otra tarea podría exigir a los alumnos redactar una primera respuesta sin IA. Después podrían pedir críticas a un chatbot y explicar qué sugerencias aceptaron o rechazaron.
Estas actividades mantienen la autoría del estudiante. El modelo se convierte en un objeto de análisis o una fuente de comentarios, en lugar de una máquina automática de respuestas.
También crean pruebas que los docentes pueden revisar. Un ensayo final por sí solo puede ocultar cuánto razonamiento provino del estudiante. Los borradores, las instrucciones, las notas de fuentes y los juicios escritos revelan el proceso.
Aquí es donde las prácticas de conocimiento personal pueden respaldar un uso responsable. Los estudiantes que conservan las fuentes y sus propias notas pueden comparar las respuestas de IA con un rastro de pruebas.
Un espacio de trabajo para estudiantes estructurado puede ayudar a mantener conectadas las lecturas, las notas y las preguntas. El valor para el aprendizaje sigue dependiendo de cómo el estudiante use ese material.
La evaluación crítica no puede convertirse en una lección aislada sobre seguridad de la IA. Debe aparecer dentro de las tareas habituales de ciencias, historia, escritura e investigación.
Los estudiantes también necesitan autorización para cuestionar una respuesta fluida. Los chatbots se comunican con seguridad, y los usuarios más jóvenes pueden confundir un lenguaje pulido con autoridad.
Los docentes pueden contrarrestar ese efecto recompensando la verificación y la corrección. Un estudiante que identifica una afirmación sin respaldo de un modelo debería recibir reconocimiento por su razonamiento, no solo por llegar a la respuesta esperada.
El objetivo no es desconfiar por desconfiar. Es una confianza calibrada según la evidencia, el tipo de tarea y la incertidumbre.
Este enfoque refleja mejor el impacto real de la IA en el aprendizaje. El mismo modelo puede acortar el proceso de pensamiento o proporcionar retroalimentación que lo amplíe.
La Brecha de Puntuación No Demuestra que la IA Causara el Descenso
Los datos de la OCDE identifican una señal de alerta, pero no pueden aislar a los chatbots de las muchas fuerzas que afectan al rendimiento estudiantil.
Los titulares sobre usuarios de IA con peores puntuaciones pueden superar fácilmente a la evidencia. PISA no asignó aleatoriamente a cientos de miles de estudiantes a usar o evitar chatbots.
Los estudiantes describieron su propio comportamiento. La frecuencia autodeclarada puede ser imprecisa, y los encuestados pueden interpretar de forma diferente “ayudarme a aprender”.
Un estudiante podría usar IA para generar respuestas completas. Otro podría pedir preguntas de práctica, retroalimentación o una explicación alternativa. Ambos pueden figurar en la misma categoría amplia de uso.
Las puntuaciones en ciencias también reflejan conocimientos acumulados, no solo actividades completadas durante 2025. Los estudiantes llegaron a la evaluación con escuelas, docentes, apoyo familiar, motivación y logros previos diferentes.
La causalidad inversa sigue siendo plausible. Los estudiantes con menor rendimiento podrían recurrir a los chatbots con más frecuencia porque necesitan ayuda adicional. Ese patrón produciría puntuaciones más bajas entre los usuarios sin demostrar que la IA creó la brecha.
La OCDE reconoce abiertamente esta limitación. Afirma que las relaciones no indican necesariamente que la IA afecte negativamente al rendimiento en ciencias.
Las tendencias más amplias de rendimiento también comenzaron antes de la adopción generalizada de la IA generativa. En los países de la OCDE, las puntuaciones de lectura cayeron 28 puntos entre 2015 y 2025. Las de matemáticas cayeron 22 puntos.
La OCDE equipara esos cambios a aproximadamente un año y medio de aprendizaje en lectura y algo más de un año en matemáticas.
ChatGPT se hizo público recién a finales de 2022. Por sí solo no puede explicar un descenso de una década.
La disrupción causada por la pandemia, la asistencia, la participación familiar, la distracción digital, los cambios curriculares y las condiciones de aprendizaje deben formar parte del análisis. Los resultados de PISA no asignan una proporción precisa del descenso a cada factor.
El rendimiento en ciencias se mantuvo estable entre 2022 y 2025 en el promedio de la OCDE. Esa estabilidad complica aún más las afirmaciones de que la adopción de chatbots provocó un colapso general inmediato.
Al mismo tiempo, la ausencia de una prueba causal no debería borrar la advertencia. El patrón observado favorece repetidamente el no uso, el uso moderado o el uso guiado frente a la asistencia intensiva y sin orientación.
Los estudios controlados también proporcionan mecanismos que hacen creíble una penalización para el aprendizaje. Cuando los estudiantes reciben respuestas antes de intentar recuperar información y razonar, practican menos de las habilidades que luego se miden sin asistencia.
Por tanto, la postura más sólida se sitúa entre el pánico y la complacencia. PISA no demuestra que la IA vuelva menos inteligentes a los estudiantes. Muestra que la adopción habitual no ha generado una ventaja académica general.
Ese hallazgo debería cambiar la carga de la prueba. Las escuelas no deberían asumir que un chatbot es educativo simplemente porque los estudiantes lo usan para tareas escolares.
Los desarrolladores de IA también necesitan evidencia más allá de la interacción. Si una empresa comercializa un producto de aprendizaje, debería demostrar mejoras duraderas mediante evaluaciones diferidas e independientes.
Estas pruebas deberían comparar chatbots generales, herramientas de tutoría restringidas, uso guiado por docentes y práctica sin IA. También deberían seguir si los beneficios persisten entre materias y grupos de estudiantes.
La equidad añade otra incertidumbre. Los estudiantes desfavorecidos tenían menos probabilidades de recibir tareas de clase que implicaran evaluar información generada por IA.
También tenían más probabilidades de no usarla, posiblemente debido al acceso limitado. Ampliar el acceso sin ampliar la orientación podría sustituir una brecha por otra.
El riesgo central no es simplemente que algunos estudiantes tengan modelos mejores. Es que algunos aprendan a interrogar a los modelos mientras otros solo reciben respuestas instantáneas.
Las Escuelas Deben Rediseñar las Tareas, No Solo Vigilar a los Chatbots
Los hallazgos desplazan la presión desde las decisiones generales de acceso hacia el diseño de tareas, evaluaciones y productos de IA.
Las escuelas trataron inicialmente la IA generativa principalmente como un problema de integridad académica. Esa preocupación sigue siendo considerable.
En una encuesta independiente de la OCDE a docentes, el 72 por ciento de los profesores de secundaria inferior afirmó que la IA puede perjudicar la integridad al permitir que los estudiantes presenten trabajo generado como propio.
La detección por sí sola ofrece una respuesta débil. Los detectores de IA estiman si un texto se parece a una escritura asistida por máquinas, pero no reconstruyen de forma fiable cómo un estudiante elaboró una tarea.
Un estudiante podría usar IA para generar ideas, recibir comentarios gramaticales, redactar sin respaldo o sustituir por completo su trabajo. El texto final rara vez revela esas diferencias con claridad.
El diseño de la evaluación puede captar evidencia más útil. Los docentes pueden solicitar esquemas, anotaciones de fuentes, borradores intermedios, explicaciones orales o breves seguimientos supervisados.
Estos métodos hacen visible el razonamiento. También siguen siendo útiles cuando una escuela permite algunas formas de asistencia de IA.
Los exámenes sin materiales proporcionan una medida de la capacidad independiente. No deberían convertirse en la única respuesta, porque el aprendizaje también incluye investigación, colaboración, revisión y uso de herramientas.
Un sistema equilibrado puede evaluar ambos modos. Los estudiantes deberían demostrar conocimientos fundamentales sin IA y una aplicación responsable con IA.
El comunicado global de la OCDE defiende un uso tecnológico intencional y moderado. También advierte contra sustituir la atención, el esfuerzo y la comprensión.
Ese principio ofrece a las escuelas un criterio viable. Una tarea debería especificar qué trabajo cognitivo corresponde al estudiante y dónde puede contribuir la IA.
Por ejemplo, un docente podría prohibir la IA durante la resolución inicial de problemas, pero permitirla durante la revisión. Luego, los estudiantes podrían comparar su enfoque con la respuesta del modelo.
Una tarea de historia podría permitir la exploración del tema, pero exigir que cada afirmación factual se vincule a una fuente aprobada. Los estudiantes entregarían una breve explicación de las sugerencias de IA que rechazaron.
Un curso de escritura podría utilizar chatbots como críticos en lugar de autores. El modelo podría señalar pasajes poco claros, pero el estudiante decidiría cómo revisarlos.
Estos diseños hacen que usar IA sea más lento que copiar una respuesta. Esa fricción es valiosa cuando obliga a los alumnos a examinar su propio pensamiento.
Los desarrolladores afrontan un desafío de diseño paralelo. Los modos educativos necesitan más que un tono amistoso, explicaciones simplificadas o controles de interfaz específicos por edad.
Un tutor creíble debería diagnosticar conceptos erróneos, pedir a los estudiantes que se comprometan con una respuesta y ajustar las pistas gradualmente. Debería evitar completar demasiado pronto la tarea intelectual central.
Los docentes también necesitan visibilidad sobre la interacción. Un sistema útil para el aula podría resumir los conceptos intentados, las pistas solicitadas y los errores corregidos sin exponer datos personales innecesarios.
La privacidad y la seguridad siguen siendo importantes, especialmente para los menores. Las escuelas necesitan reglas claras sobre retención de datos, entrenamiento de modelos, adecuación por edad y acceso a las conversaciones de los estudiantes.
La preparación docente es otro punto de presión. La OCDE informa que el 37 por ciento de los docentes de secundaria inferior usó IA para su trabajo en 2024.
Los docentes no pueden guiar el comportamiento estudiantil solo mediante documentos de política. Necesitan ejemplos específicos por materia que muestren cuándo la IA apoya el aprendizaje y cuándo elimina una práctica esencial.
El enfoque adecuado variará según la disciplina. Una asistencia similar a la de una calculadora podría ser apropiada después de dominar un concepto matemático, pero perjudicial durante su introducción.
Los estudiantes de idiomas pueden beneficiarse de la práctica conversacional. Aun así, necesitan oportunidades para recuperar vocabulario y construir oraciones sin completado automático.
Por tanto, la cuestión no es si cada aula debería adoptar o prohibir la IA. Es si cada uso preserva la acción mental que la lección pretende desarrollar.
Tres Señales Mostrarán si la IA Educativa Está Mejorando
La próxima fase debería juzgarse por el aprendizaje independiente, el acceso al uso guiado y el comportamiento del producto, no por la adopción bruta de chatbots.
La primera señal es el rendimiento sin asistencia. Las escuelas y los investigadores necesitan evaluaciones diferidas que examinen si los estudiantes retienen y transfieren habilidades después de usar IA.
La calidad inmediata de una tarea es insuficiente. Un sistema útil debería mejorar los resultados cuando la herramienta no está disponible y cuando la pregunta difiere del ejemplo de práctica.
Si futuros estudios aleatorizados muestran mejoras sostenidas entre materias, la advertencia de la OCDE perderá fuerza. Si las tareas pulidas siguen precediendo a exámenes más débiles, cobrará más fuerza.
La segunda señal es el acceso a instrucción explícita para evaluar la IA. PISA encontró que alrededor de seis de cada diez estudiantes recibieron alguna práctica en el aula para evaluar información generada por IA.
Esa proporción debería aumentar, pero la participación por sí sola no basta. Los investigadores deberían medir la calidad, la frecuencia y la integración por materia de esas lecciones.
También deberían vigilar la brecha socioeconómica. Actualmente, los estudiantes desfavorecidos informan de menos oportunidades para evaluar resultados de IA durante las lecciones escolares.
Si esa brecha se cierra mientras los usuarios guiados mejoran, la alfabetización en IA parecerá una intervención significativa. Si el acceso se amplía sin mejoras independientes, las escuelas necesitarán cambios pedagógicos más profundos.
La tercera señal es si los productos educativos resisten la sustitución de respuestas. Los desarrolladores deberían explicar cómo los modos de tutoría preservan el razonamiento del estudiante y cómo miden el aprendizaje después de que termina la asistencia.
La evidencia útil incluiría evaluaciones independientes, diseños de estudio transparentes y comparaciones con chatbots ordinarios. Las cifras de interacción no pueden responder a la cuestión educativa.
El comportamiento del producto también importa durante el uso cotidiano. ¿El tutor pide un intento antes de proporcionar una solución? ¿Solicita evidencia y revela incertidumbre?
¿Pueden los docentes configurar el tipo de ayuda disponible para cada tarea? ¿Pueden los estudiantes revisar cómo cambió su razonamiento en lugar de recibir solo una respuesta terminada?
Estas decisiones determinarán si la IA se convierte en un atajo, un tutor o una mezcla desigual de ambos.
El informe de la OCDE sobre IA y educación no justifica fingir que los chatbots desaparecerán de la escuela. La mayoría de los estudiantes encuestados ya los había usado, y la aplicación de normas no puede revertir esa realidad.
Sí justifica un estándar más alto. Los estudiantes deberían terminar una tarea asistida por IA sabiendo más de lo que sabían antes, no simplemente con un texto mejor.
Los padres y los estudiantes pueden aplicar la misma prueba de inmediato. Después de usar un chatbot, ciérrenlo y expliquen la idea, resuelvan un problema relacionado o defiendan la respuesta con fuentes.
Si la comprensión desaparece con la ventana de chat, la herramienta completó el trabajo, pero no apoyó el aprendizaje. La siguiente pregunta es si las escuelas y los desarrolladores diseñarán para esa distinción.
