En 2025, investigadores de Wharton publicaron en PNAS un experimento con cerca de mil estudiantes de matemáticas de secundaria. Un grupo estudió con acceso a un modelo de lenguaje genérico; otro, con una versión que traía salvaguardas pedagógicas — daba pistas, pedía el intento del alumno, no entregaba la respuesta lista; un tercero estudió sin IA.
El resultado
Con la IA encendida, el primer grupo rindió 48% más en los ejercicios. En la prueba sin IA, rindió 17% menos que quienes nunca la usaron. El grupo con salvaguardas rindió 127% más con la herramienta encendida — y, sin ella, no tuvo caída respecto de quienes nunca la usaron.
La lectura es simple e incómoda: una IA que hace por ti produce desempeño mientras está presente y deja menos de lo que encontró cuando se va. Una IA que enseña a hacer no compromete lo que queda.
La condición de Beatriz
Beatriz fue construida sobre la segunda condición. No entrega la respuesta: arma la pizarra, devuelve preguntas, pide tu intento y termina cada sesión con una tarea para tu trabajo real. El cupo semanal no se acumula — se terminó, practicas y vuelves. Cada tres semanas, un checkpoint. Al final, una prueba de autonomía hecha con ella fuera de escena y un intervalo de 30 a 50 días.
- Enseñar a hacer, no hacer por ti.
- Práctica fuera de la plataforma como parte del método.
- Prueba con la IA removida, medida por el estándar LUMEN.
La cifra que importa no es cuánto rindes con Beatriz al lado. Es cuánto queda cuando ella se va.
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., Mariman, R. “Generative AI without guardrails can harm learning”. PNAS 122 (2025). Valores verificados en la fuente primaria el 22/07/2026.
Puede citar — con la fuente.