Aprender diseño con IA como tutor: cómo hacerlo sin perder el criterio

¿Qué dice la investigación sobre tutores con IA?

No encontramos estudios que midan el aprendizaje de diseño con tutores de IA. Lo que hay viene de otras áreas, y conviene leerlo como pista, no como prueba:

• Un tutor guiado puede enseñar bien. Un ensayo aleatorizado de Harvard con 194 estudiantes de física introductoria comparó un tutor de IA hecho a medida con una clase de aprendizaje activo. La mediana del examen posterior fue 4,5 con el tutor y 3,5 en clase, y los estudiantes del tutor tardaron una mediana de 49 minutos, frente a 60 minutos de aprendizaje en la clase. Pero el tutor llevaba a cada persona paso a paso por el problema y usaba soluciones paso a paso escritas de antemano. Los autores advierten que fue un solo curso y que los resultados pueden no aplicar a tareas de síntesis compleja o pensamiento crítico de orden superior.
• Un chat sin límites puede perjudicar. Un experimento de campo con casi mil estudiantes de bachillerato en matemáticas dio acceso a GPT-4 mientras practicaban. Las notas de práctica subieron (48 % con un chat estándar, 127 % con un tutor con prompts diseñados para proteger el aprendizaje). Al quitarles el acceso, los del chat estándar sacaron 17 % menos que quienes nunca lo tuvieron. Los del tutor con salvaguardas en gran parte evitaron esa caída.
• La confianza reduce la revisión. Una encuesta de Microsoft Research y Carnegie Mellon a 319 trabajadores del conocimiento encontró que más confianza en la IA generativa se asocia con menos pensamiento crítico, y más confianza en uno mismo con más. Son respuestas autoinformadas de gente que trabaja, no de estudiantes.
• Quien aprende no quiere que le den todo. En el diseño participativo de LearnLM-Tutor, de Google, tres adultos que aprendían Python con un curso en línea dijeron que no querían que el tutor revelara demasiado, porque sentían orgullo de hacer las cosas por sí mismos. Es una muestra mínima y cualitativa.

La conclusión práctica es modesta: parece importar más cómo está diseñado el tutor y cómo lo usas que el hecho de usar IA.

¿Cómo usar la IA sin dejar de aprender?

Un orden que funciona:

1. Produce primero. Haz tu versión de la pantalla, del flujo o de la hipótesis antes de pedir ayuda.
2. Pide críticas, no reemplazos. En vez de “mejora esto”, pide: “¿qué tres cosas de esta pantalla pueden confundir a un usuario nuevo?”.
3. Pide preguntas socráticas. “¿Qué pasaría si el botón principal estuviera abajo?” te obliga a razonar. Puedes indicarle desde el inicio que no te dé la solución completa, que te guíe con pistas.
4. Verifica contra una fuente. Contrasta cada consejo con un fundamento conocido, como la ley de Hick o los principios de diseño. Un consejo plausible puede estar mal; revisa alucinaciones.
5. Anota lo que cambió tu opinión. Si la IA te convenció de algo, escribe por qué. Si no puedes explicarlo, todavía no lo aprendiste.

¿Qué fundamentos conviene tener antes?

Sin ellos no puedes evaluar lo que responde. Al menos estos:

• Jerarquía visual, contraste y espaciado.
• Flujos de usuario y estados de error.
• Accesibilidad básica: contraste, foco y texto alternativo.
• Heurísticas de usabilidad y cómo hacer una prueba sencilla con usuarios.

Con esa base, una respuesta plausible se puede discutir. Sin ella, parece correcta y no tienes cómo saberlo. Para el panorama de quien empieza, lee ser diseñador junior en la era de la IA.

¿Cómo armar una rutina semanal?

Una rutina corta funciona mejor que una sesión larga que no se repite. El lunes, toma un flujo que ya conozcas, por ejemplo el registro de una app que usas a diario, y rediséñalo a mano en veinte minutos. El miércoles, lleva ese rediseño a la IA y pide solo crítica, con preguntas socráticas y sin propuestas de reemplazo. El viernes, revisa qué crítica aceptaste, cuál descartaste y por qué, y escribe una lección de una frase en tu cuaderno.

Tras cuatro semanas tendrás un registro de decisiones que puedes mostrar, y una forma de contrastar tu criterio con el de la herramienta sin depender de ella para empezar.

¿Cómo saber si estás aprendiendo de verdad?

El experimento de bachillerato muestra el síntoma: el rendimiento con ayuda subía y el rendimiento sin ella no. Haz esa prueba contigo. Toma un trabajo que hiciste con ayuda, quítalo de la pantalla y escribe de memoria las tres decisiones que lo sostienen. Si no puedes, repítelo sin IA, despacio, y compara. La diferencia entre lo que escribiste y lo que recuerdas te muestra qué te falta entender.

Otra señal es que puedas explicar una decisión sin abrir la herramienta. Si lo único que mejora es la calidad de tus preguntas a la IA, estás aprendiendo a usar la herramienta, no diseño.

Ejemplo ilustrativo

Ejemplo ilustrativo: una estudiante rediseña una pantalla de inicio de sesión. Antes de pedir ayuda, escribe qué problema quiere resolver y por qué eligió cada campo. Luego pide a la IA: “Dame tres preguntas que un usuario con prisa me haría sobre esta pantalla, sin proponer cambios”. Una pregunta le muestra que el enlace de recuperar contraseña es difícil de encontrar. Lo comprueba con una prueba de cinco minutos con una persona real y lo corrige. La IA ayudó a formular la pregunta; la comprobación la hizo la estudiante.

¿Cuándo NO conviene usar IA como tutor?

Cuando estás aprendiendo los fundamentos más básicos y necesitas practicar la observación sin intermediarios, o cuando el tutor no puede verificar lo que dice sobre tu contexto. También cuando la IA te da la respuesta antes de que hayas intentado la tarea: es el patrón del chat sin límites que perjudicó a los estudiantes de matemáticas.

Errores comunes

• Pedir a la IA el diseño completo “para ver cómo queda”.
• Aceptar respuestas largas y bien redactadas sin verificarlas.
• Pedir confirmación en vez de crítica.
• Aprender terminología sin practicarla.
• Usar la IA para todo y no poder explicar nada sin ella.

Fuentes

• Jurenka et al. (Google), Towards Responsible Development of Generative AI for Education: An Evaluation-Driven Approach (LearnLM-Tutor)
• Kestin et al., AI tutoring outperforms in-class active learning (Scientific Reports, 2025)
• Bastani et al., Generative AI without guardrails can harm learning: Evidence from high school mathematics (PNAS, 2025), registro en IDEAS/RePEc
• Lee et al., The Impact of Generative AI on Critical Thinking (CHI 2025), Microsoft Research