La inteligencia artificial está entrando en las aulas a una velocidad difícil de imaginar hace apenas dos años.
Cada semana aparecen nuevos modelos, asistentes, chatbots y herramientas que prometen revolucionar la educación.
Sin embargo, existe un problema evidente.
La mayoría de estos sistemas responden utilizando información general obtenida de Internet o de sus datos de entrenamiento.
Eso significa que pueden explicar qué es el comercio electrónico o qué es el marketing digital, pero no conocen:
- nuestra programación didáctica,
- nuestros materiales,
- nuestros criterios de evaluación,
- nuestros apuntes,
- nuestras actividades,
- nuestros casos prácticos.
En otras palabras:
no conocen nuestro contexto educativo.
Precisamente ahí aparece una de las aplicaciones más interesantes de la IA en educación: los sistemas RAG
Los sistemas RAG
RAG significa:
Retrieval Augmented Generation
o, traducido de forma sencilla:
generación de respuestas enriquecidas mediante recuperación de información.
Gracias a esta tecnología es posible crear un tutor virtual que responda utilizando exclusivamente la documentación que nosotros decidamos.
No inventa contenidos.
No busca información aleatoria.
No responde según lo que crea probable.
Responde utilizando nuestras fuentes.
Y eso cambia completamente las posibilidades educativas.
Del chatbot genérico al tutor especializado
Cuando un estudiante pregunta a ChatGPT:
¿Cómo se calcula el coste de adquisición de un cliente?
obtendrá una respuesta general.
Probablemente correcta.
Pero general.
Sin embargo, si dispone de un Tutor IA basado en RAG, el sistema puede responder utilizando:
- los apuntes del módulo;
- las presentaciones del profesor;
- los artículos del aula virtual;
- los casos prácticos trabajados en clase;
- las actividades evaluables.
La diferencia es enorme.
El alumno ya no conversa con una IA genérica.
Conversa con una IA especializada en su propio módulo.
Cómo funciona un sistema RAG
Aunque pueda parecer complejo, la idea básica es relativamente sencilla.
Paso 1. Crear una base documental
El primer paso consiste en reunir la información que utilizará el tutor.
Por ejemplo:
- Programaciones didácticas.
- Apuntes.
- Manuales.
- PDFs.
- Artículos del blog.
- Casos prácticos.
- Guías de software.
- Normativa.
En mi caso, la estructura los módulos los organizo de esta forma:
Paso 2. Convertir la información en conocimiento recuperable
Los modelos de lenguaje no trabajan directamente con documentos.
Necesitan transformar el contenido en representaciones matemáticas llamadas embeddings
Embeddings
Un embedding es una representación numérica del significado de un texto.
Gracias a ello, el sistema puede localizar fragmentos relacionados con una pregunta concreta.
No busca palabras. Busca significado.
Paso 3. Crear un índice vectorial
Una vez generados los embeddings, se almacenan en una base de datos vectorial.
Existen múltiples opciones:
- FAISS, es la que utilizo
- Chroma
- Weaviate
- Pinecone
- Qdrant
Para proyectos educativos pequeños y medianos, FAISS suele ser más que suficiente.
Es rápido, gratuito y funciona localmente.
Paso 4. Recuperar información relevante
Cuando el estudiante realiza una consulta, el sistema busca los fragmentos más relacionados.
Por ejemplo:
¿Qué diferencia existe entre SEO y SEM?
El sistema recuperará:
- los apuntes correspondientes;
- actividades relacionadas;
- ejemplos trabajados en clase.
Paso 5. Generar la respuesta
Finalmente, el modelo de lenguaje utiliza únicamente esos fragmentos para elaborar la respuesta.
Este paso es fundamental.
La IA no responde desde su conocimiento general.
Responde desde el contexto recuperado.
Por eso las respuestas suelen ser mucho más precisas y coherentes con el proceso de enseñanza.
Ventajas para Formación Profesional
La FP tiene características que hacen especialmente interesante esta tecnología.
Contexto profesional
Los contenidos suelen estar muy vinculados a herramientas concretas.
Por ejemplo:
- PrestaShop
- WordPress
- Canva
- Google Analytics
- Odoo
Un tutor RAG puede responder utilizando exactamente los materiales trabajados en el aula.
Aprendizaje autónomo
Los estudiantes pueden consultar dudas fuera del horario lectivo.
El tutor está disponible:
- 24 horas al día;
- 7 días a la semana.
No sustituye al docente. Pero amplía enormemente el acompañamiento.
Atención personalizada
Cada estudiante puede plantear preguntas diferentes.
La IA adapta las respuestas según las necesidades de cada consulta.
Escalabilidad
Un mismo tutor puede atender simultáneamente a cientos de alumnos.
Algo imposible para cualquier docente de forma individual.
Los riesgos que debemos evitar
Como cualquier tecnología educativa, un Tutor IA también presenta riesgos.
Alucinaciones
Si el sistema no recupera información suficiente, puede generar respuestas incorrectas.
Por ello es fundamental:
- limitar las fuentes;
- citar documentos;
- mostrar evidencias.
Dependencia excesiva
La IA no debe convertirse en sustituta del estudio.
Debe utilizarse como apoyo. No como atajo.
Actualización de contenidos
La calidad del tutor dependerá siempre de la calidad de la documentación utilizada.
Un tutor alimentado con materiales obsoletos generará respuestas obsoletas.
Mi experiencia con TutorIA
Durante los últimos meses he comenzado a desarrollar un proyecto denominado:
TutorIA
Su objetivo es crear un asistente especializado para alumnado de Formación Profesional.
Actualmente integra contenidos de:
Además incorpora:
- artículos del blog,
- materiales de aula,
- casos prácticos,
- guías técnicas,
- recursos complementarios.
- el Podcast
El objetivo no es crear un chatbot llamativo, sino una herramienta útil para aprender mejor.
Una herramienta capaz de responder utilizando el conocimiento generado durante años de trabajo docente.
¿Qué tecnologías se necesitan?
Hoy es posible construir un Tutor IA utilizando herramientas accesibles.
Un ejemplo de arquitectura podría ser:
Tutor IA para Formación Profesional usando RAG
Algunas tecnologías habituales son:
- Python
- LangChain
- FAISS
- OpenAI
- Ollama
- FastAPI
- Streamlit
Lo importante no es la tecnología concreta. Lo importante es la metodología.
El futuro: asistentes especializados
Probablemente el próximo gran salto educativo no vendrá de modelos cada vez más grandes.
Vendrá de modelos más especializados.
Un tutor que conozca:
- la programación,
- los materiales,
- los criterios de evaluación,
- los proyectos del alumnado,
resulta mucho más útil que un sistema generalista que intenta saber de todo.
Por eso los sistemas RAG están ganando protagonismo en universidades, empresas y centros educativos.
Conclusión
La inteligencia artificial educativa no consiste únicamente en utilizar ChatGPT.
La verdadera transformación comienza cuando conseguimos que la IA trabaje con nuestro propio conocimiento.
Los sistemas RAG permiten construir asistentes especializados capaces de responder utilizando materiales reales, contextualizados y alineados con los objetivos de aprendizaje.
En Formación Profesional, donde los contenidos están estrechamente vinculados a competencias profesionales concretas, esta tecnología abre posibilidades especialmente interesantes.
Quizá la pregunta ya no sea si utilizaremos tutores basados en IA.
La pregunta es cuándo estarán disponibles en todos los centros educativos.
¡Gracias por leer! Si te ha gustado este contenido, no olvides compartirlo y dejar tus comentarios. ¿Tienes alguna pregunta o tema que te gustaría que aborde? ¡Házmelo saber! Nos vemos en el próximo post, ¡no te lo pierdas! ¡Hasta pronto!
Sobre mí
Juan Armada Blanco
Profesor de secundaria de la familia profesional de Comercio y Marketing. Apasionado de la tecnología, la creación de contenido, WordPress y el marketing digital. Ayudo a otros a digitalizar su negocio y a sacar partido del entorno online.