La IA puede generar feedback inmediato, individualizado y prácticamente ilimitado. Esa capacidad puede transformar la evaluación formativa, pero solo si sabemos qué criterio estamos escalando y qué debe hacer el alumno después con la información que recibe.
Durante años, uno de los grandes límites de la evaluación formativa ha sido el tiempo. Sabemos que un buen feedback puede ayudar al alumno a avanzar, pero producirlo de manera frecuente, específica e individualizada para treinta estudiantes tiene un coste difícil de sostener.
La inteligencia artificial cambia esa ecuación. Puede analizar producciones, generar comentarios y mantener ese nivel de respuesta una y otra vez sin el desgaste que supone para un profesor.
La oportunidad es enorme.
Pero hay una distinción que no deberíamos perder: capacidad para producir feedback no equivale a criterio pedagógico para decidir qué feedback necesita un alumno.
El problema no es solo cuánto feedback recibe el alumno
Un artículo de perspectiva publicado el 8 de octubre por Patricia Fidalgo y Reem Hashem en Frontiers in Education plantea precisamente que el feedback generado por IA no conduce automáticamente al aprendizaje. Puede ayudar a revisar un borrador o detectar carencias, pero también producir una falsa sensación de progreso cuando el estudiante acepta las sugerencias sin comprenderlas. Las autoras sitúan por eso el juicio pedagógico del profesor y la capacidad del alumno para evaluar el propio feedback como elementos centrales.
Tres días después, otro estudio sobre feedback formativo asistido por IA analizó cómo futuros docentes valoraban e implementaban ese feedback en situaciones de aprendizaje colaborativo. El trabajo vuelve a mostrar el potencial de la IA para escalar una práctica que resulta difícil sostener de forma individualizada en grupos grandes.
Ambos trabajos se sitúan en contextos universitarios, por lo que no deberíamos trasladar automáticamente sus resultados a Secundaria. Pero la pregunta pedagógica que plantean sí me parece plenamente reconocible:
¿qué ocurre después de que el alumno recibe el feedback?
La IA puede generar el feedback. El criterio hay que diseñarlo
En los sistemas de feedback asistido por IA que diseño, no quiero que el modelo decida por su cuenta qué considera importante, cómo debe orientar al alumno o qué pedagogía aplicar.
Ese trabajo tiene que ocurrir antes.
El sistema necesita conocer qué estamos enseñando, qué criterios estamos utilizando, qué nivel esperamos, qué errores merecen atención en ese momento, qué tipo de ayuda puede ofrecer y, algo igualmente importante, qué no debe resolver por el alumno.
La intención es que la IA pueda operacionalizar de manera consistente un criterio docente previamente definido.
Ahí está, para mí, la diferencia entre utilizar una IA genérica para «corregir un texto» y construir un sistema de evaluación formativa asistida por IA.
La máquina tiene una capacidad extraordinaria para ejecutar esa lógica miles de veces sin cansarse. Pero la decisión sobre qué merece ser señalado, con qué propósito y de qué manera sigue siendo pedagógica.
Y, por tanto, sigue siendo docente.
El feedback solo sirve si obliga a hacer algo con él
Hay una segunda condición igual de importante.
Un feedback no es bueno porque sea largo, inmediato o esté perfectamente redactado. Tiene valor cuando es accionable: cuando provoca una actuación del alumno que le obliga a revisar, decidir y mejorar su trabajo.
Imaginemos una primera versión de un texto argumentativo. La IA detecta que una idea está poco desarrollada y se lo explica al estudiante.
Si el siguiente paso consiste en decirle a la misma IA «mejóramelo», hemos construido un circuito muy eficiente:
el alumno produce → la IA diagnostica → la IA corrige.
Pero hemos dejado muy poco espacio para aprender.
La alternativa es que el feedback identifique el problema, quizá formule una pregunta o recuerde un criterio, y devuelva después la responsabilidad al alumno. Es él quien tiene que decidir cómo mejorar esa parte.
Por eso sigo considerando especialmente poderosa una estructura muy sencilla:
primera entrega → feedback → revisión autónoma → segunda entrega.
La IA puede transformar radicalmente la parte intermedia, porque permite ofrecer un nivel de acompañamiento individual que sería muy difícil sostener manualmente. Pero no debería apropiarse también de la revisión.
La segunda producción tiene que seguir perteneciendo al alumno.
La verdadera escala que nos interesa
Aquí es donde creo que la IA puede transformar de verdad la evaluación formativa.
No porque ahora podamos producir una cantidad infinita de comentarios, sino porque podemos ofrecer feedback frecuente, individualizado y coherente con nuestro criterio pedagógico sin que el profesor tenga que redactar personalmente cada frase.
Eso libera tiempo, pero también cambia dónde ponemos nuestro esfuerzo profesional.
Podemos dedicar menos energía a repetir comentarios similares y más a definir criterios, analizar patrones, detectar necesidades, diseñar intervenciones y observar qué han hecho los alumnos con el feedback recibido.
Y esto último es fundamental.
Porque una segunda versión no solo nos muestra si el producto ha mejorado. Nos permite observar cómo ha utilizado el alumno la información que recibió.
Ahí empieza a aparecer algo mucho más interesante que una corrección:
Por eso, ante la capacidad casi ilimitada de la IA para producir feedback, la pregunta que más me interesa no es cuánto puede generar.
Es otra:
¿qué criterio estamos escalando y qué aprendizaje queremos provocar con él?
La IA puede generar miles de comentarios sin cansarse.
Precisamente por eso necesitamos tener muy claro quién decide qué comentarios merece la pena generar.
El criterio sigue siendo docente.
Referencias
Fidalgo, Patricia, y Reem Hashem. “Designing responsible AI feedback in higher education: faculty readiness, student judgement, and metacognitive calibration”. Frontiers in Education, vol. 11, 2026, artículo 1953700. Publicado el 8 de octubre de 2026. DOI: 10.3389/feduc.2026.1953700.
Es un artículo de perspectiva, no un estudio experimental. Su propuesta conceptual necesita todavía validación empírica.
Lu, Guoqing; Huimin Zhang; Shen Ba; y Lan Yang. “How Generative AI-Assisted Formative Feedback Is Appraised and Implemented in Online Collaborative Learning”. Journal of Educational Computing Research. Publicado online el 11 de octubre de 2026. DOI: 10.1177/07356331261494805.
Este segundo trabajo es un estudio empírico con futuros docentes en contexto universitario. No generalizar automáticamente sus resultados a Secundaria.