Los MOOCs prometieron democratizar la educación. Y en buena medida lo hicieron: más de 220 millones de personas se inscribieron en al menos un curso online masivo. Pero las tasas de finalización se anclaron en torno al 13% y nunca subieron. Lo que está apareciendo ahora es cualitativamente distinto — y plantea un problema que va más allá de la tecnología.
I. Por qué esto no es un MOOC con esteroides
El fracaso de los MOOCs como sustituto de la enseñanza presencial tiene una causa precisa: eran aprendizaje autoguiado, casi autodidacta. Vídeo grabado, quiz, foro. El formato escaló acceso pero sacrificó las dos cosas que hacen que un profesor marque la diferencia: personalización e interacción. Funcionaban como complemento, no como sustituto.
MOOCs (MiríadaX)
de un MOOC
sesión con tutor IA
(Bloom, 1984)
Las tasas de finalización provienen de datos agregados de MiríadaX en España (2013-2014, 58-121 cursos) y son consistentes con medianas globales de ~12,6%. El coste de producción corresponde a estimaciones de The Open University. El dato de Bloom se refiere a tutoría humana 1:1; revisiones posteriores moderan el efecto, pero confirman que los tutores computacionales alcanzan una eficacia cercana a la de un tutor humano — lo cual, a escala, es transformador.
En 1984, Benjamin Bloom formuló el "problema 2-sigma": la tutoría individual desplaza el rendimiento del estudiante promedio por encima del percentil 98 del grupo con clase convencional. El problema, entonces, era que la tutoría 1:1 no escala. Cuarenta años después, las herramientas que aparecieron esta semana atacan exactamente ese cuello de botella.
Los MOOCs fracasaron como sustituto porque eran autoguiados. Los tutores IA tienen posibilidades reales de funcionar porque son personalizados. Las universidades los van a terminar adoptando — es demasiado barato y demasiado eficaz como para no hacerlo.
II. Lo que probé esta semana
El 16 de marzo, Pep Martorell publicó en su newsletter De MOOC a MAIC un análisis sobre un proyecto que acababa de liberar la Universidad de Tsinghua en código abierto: OpenMAIC, una plataforma que genera un aula completa — profesor IA, compañeros virtuales, pizarra, quizzes, debates — a partir de un tema o un PDF. Ese mismo día descubrí Wondering, creada por Cheng-Wei Hu, ex-ingeniero de NotebookLM en Google, que se presenta como "Duolingo para cualquier cosa". Decidí probar ambas.
Subí medio libro de Las palabras y las cosas de Foucault a Wondering. En quince minutos tenía un recorrido estructurado por el concepto de episteme que me sirvió genuinamente para recordar lo que había leído hace años. La experiencia es fluida, visual, eficiente. Probé OpenMAIC con un tema de IA y filosofía: generó slides, una simulación interactiva del test de Turing, y una dinámica de debate entre agentes.
Pero al examinar el contenido de cerca, el diagnóstico fue asimétrico: para el alumno, estas herramientas son tremendas. Para el profesor, son casi inútiles: la personalización pedagógica es limitada y la verificación de fuentes es prácticamente nula. En el propio estudio de Tsinghua, la dimensión peor evaluada (3.51/5) fue "Entender al estudiante" — la personalización es más prometida que realizada. Pero la tendencia es clara: esto mejora con cada iteración.
| OpenMAIC | Wondering | NotebookLM | |
|---|---|---|---|
| Modelo | Aula multi-agente | Micro-lecciones visuales | Notebook con fuentes |
| Origen | Tsinghua (AGPL) | Ex-Google (startup) | Google Labs |
| Personalización | Parcial | Por nivel y objetivo | Por fuentes propias |
| Verificación citas | Ausente | Ausente | Citas navegables |
| Para el alumno | Excelente | Excelente | Bueno |
| Para el profesor | Limitado | Limitado | Parcial |
Los tres convergen en lo mismo: cualquier tema puede convertirse en una experiencia de aprendizaje personalizada, visual y casi gratuita. El propio paper de Tsinghua lo cuantifica: producir un MOOC cuesta ~25.000€ y más de 100 horas de trabajo. Generar una sesión MAIC cuesta menos de $2 y 30 minutos. La asimetría es brutal.
III. La primera respuesta (necesaria, pero insuficiente)
Ante este paisaje, la reacción de los analistas ha sido previsible y legítima:
Ambos aciertan en la primera capa del problema. Pero se quedan ahí. Dicen que la universidad debe "competir por la experiencia" y "no copiar las apps". Correcto. Pero no responden a la pregunta que viene después.
IV. La pregunta correcta
Si estas herramientas hacen el trabajo de transmisión de conocimiento — explicar, ejemplificar, evaluar, personalizar el ritmo —, la pregunta no es cómo competir con ellas. La pregunta es: ¿qué hace la universidad con el tiempo que le queda?
La respuesta no es convertirse en una "universidad-app". Esa es la trampa. Si la universidad responde a los tutores IA simplemente adoptándolos, se convierte en una plataforma más — y pierde lo único que la distingue.
Si la transmisión se automatiza, la universidad puede dedicar el tiempo liberado a lo que ningún tutor IA puede hacer: enseñar a pensar con lo aprendido. Formar pensadores críticos y proto-investigadores desde el primer año. Porque si aprender se vuelve trivialmente fácil, lo que tiene valor es saber qué hacer con lo aprendido.
Los datos sobre distribución del tiempo docente en España permiten cuantificar esta idea. Según la encuesta de Cabero-Epifanio (2019, N=580 PDI a tiempo completo), un profesor universitario español dedica aproximadamente el 41% de su tiempo académico a transmisión directa (aula + preparación + evaluación), un 18% a tutoría y supervisión, y un 27% a investigación. Si los tutores IA absorben la mayor parte de la transmisión, esa redistribución libera tiempo real para lo que importa.
Datos de distribución actual: encuesta a PDI a tiempo completo en España (Cabero-Epifanio, 2021; datos de 2019; N=580). Total: ~49 h/semana. La columna "Con tutores IA" es una proyección del autor, no una medición.
Si un alumno puede aprender los fundamentos de epistemología foucaultiana en una tarde con Wondering, el seminario presencial no tiene que enseñar qué es una episteme. Tiene que enseñar qué hacer con ese concepto: cómo aplicarlo a un problema nuevo, cómo cuestionar sus límites, cómo conectarlo con tradiciones que el tutor IA desconoce. Es decir: investigar.
Cada asignatura puede convertirse en un laboratorio donde los alumnos, equipados con tutores IA para la base, trabajan en problemas reales bajo supervisión docente. Un semestre que hoy tiene tres meses de explicación puede tener uno de explicación asistida y dos de investigación guiada. No "aprender sobre" sino "pensar con". Eso sí sería un cambio de paradigma.
V. Las capas que faltan
Para que esta visión funcione, hay capas que todavía no existen. El entusiasmo por los tutores IA oculta los vacíos de la infraestructura:
OpenMAIC, Wondering, NotebookLM y decenas más ya resuelven esto. Cualquier tema se convierte en experiencia adaptativa por menos de $2. En el piloto de Tsinghua, el 61% de las conductas registradas fueron preguntas activas de los alumnos. No es consumo pasivo: es tutoría real. Las universidades no pueden competir aquí — y no deberían intentarlo.
Quizzes y ejercicios generados por IA ya funcionan. Lo que falta es evaluación de pensamiento complejo: argumentación, síntesis crítica, conexión entre dominios. Ningún sistema actual evalúa bien un ensayo filosófico o detecta originalidad investigadora.
El agente IA enseña con confianza de profesor, pero en humanidades alucina citas con fluidez. El propio paper de Tsinghua lo reconoce: los resultados generados deben ser revisados por instructores. Las técnicas genéricas anti-alucinación (Graph-RAG, guardrails neurosimbólicos) resuelven datos estructurados, no verificación textual contra corpus humanísticos. NotebookLM ofrece citas navegables; OpenMAIC y Wondering, nada equivalente.
La capa que la universidad debería estar construyendo. No se trata de herramientas sino de rediseño curricular: cada asignatura como espacio de investigación guiada. Convertir alumnos en proto-investigadores y pensadores críticos desde el primer año. Esto requiere repensar el rol docente desde cero — y ningún proveedor de tecnología puede hacerlo por la institución.
¿Quién certifica lo aprendido con un tutor IA? ¿Cómo se integra el aprendizaje autónomo con la evaluación institucional? En España, solo el 33% de las universidades declara aplicar IA educativa (Crue, 2023), aunque el 52% de las que no lo hacen planea hacerlo en dos años. La adopción va más rápido que la formalización de políticas — y eso es un riesgo.
VI. Lo que la universidad no puede ser (y lo que sí)
La universidad no puede ser una app. Esa es la trampa más peligrosa del momento: responder a los tutores IA convirtiéndose en una plataforma de contenido personalizado. Si lo hace, pierde la partida — porque cualquier startup con un buen modelo de lenguaje y una buena interfaz lo hará mejor y más barato.
Lo que la universidad sí puede — y debe — hacer es usar el tiempo liberado por estas herramientas para lo que ninguna de ellas puede ofrecer: formar la capacidad de pensar críticamente con lo aprendido. Convertir alumnos en proto-investigadores. Rediseñar cada asignatura como un laboratorio donde, equipados con tutores IA para los fundamentos, los estudiantes trabajan en problemas reales bajo supervisión docente.
Los MOOCs democratizaron el acceso al contenido. Los tutores IA están democratizando la experiencia de aprendizaje. Lo que todavía no se ha democratizado es la capacidad de pensar críticamente con lo aprendido. Eso es lo que vale. Eso es lo que la universidad puede — y debe — enseñar.
Pero para construir encima de estas herramientas, hay que resolver las capas intermedias: verificación de fuentes en dominios humanísticos, evaluación de pensamiento complejo, y un rediseño curricular que asuma que explicar ya no es el cuello de botella — pensar sí lo es.
La verdadera innovación educativa no es tecnológica. Es la decisión institucional de liberar al profesor del rol de transmisor y convertirlo en director de investigación. Eso no lo hace ninguna app. Eso lo decide una universidad.
Fuentes principales: Paper fundacional MAIC (arXiv:2409.03512, aceptado en JCST 2026) · Cabero-Epifanio, "Academic Workload in Spanish Universities" (Education Sciences, 2021; N=580 PDI TC) · Bloom, "The 2-Sigma Problem" (Educational Researcher, 1984) · Datos de finalización MOOC: MiríadaX (2013-14), FutureLearn, IRRODL · Adopción IA: Crue Digitalización (FOLTE, 2023; 46 universidades) · UNESCO (2023, 2025), Media & Learning Association (2023)