En el diseño de experiencias de aprendizaje, solemos perseguir la eficiencia.
Si una herramienta acelera un proceso, reduce la fricción o elimina un obstáculo, nuestra primera reacción suele ser positiva. Y tiene sentido. En L&D, muchas veces trabajamos con poco tiempo, pocos recursos, múltiples audiencias y una presión constante por entregar mejores contenidos más rápido.
Pero después de varios meses integrando modelos de lenguaje, agentes y flujos asistidos por IA en procesos de formación, empecé a ver algo que me preocupa.
A veces, el camino de menor resistencia también es el camino donde el aprendizaje se detiene.
La IA puede ayudarnos a pensar mejor, escribir mejor, analizar mejor y diseñar mejor. Pero también puede hacer algo mucho más silencioso: puede completar el proceso por nosotros antes de que tengamos la oportunidad de desarrollar la habilidad que ese proceso buscaba construir.
A ese fenómeno lo llamo Zona de No Desarrollo.
No lo propongo como un concepto académico cerrado, sino como una lente de diseño. Una forma simple de detectar cuándo una herramienta deja de funcionar como apoyo y empieza a funcionar como reemplazo.
La Zona de No Desarrollo aparece cuando una tecnología reduce tanto el esfuerzo cognitivo que la persona completa la tarea, pero no desarrolla la capacidad que la tarea buscaba fortalecer.
El resultado puede ser correcto. El documento puede verse bien. La respuesta puede sonar sólida. Pero la persona no necesariamente aprendió. Solo llegó al final con ayuda de una máquina que hizo demasiado del camino por ella.
Y ese es el riesgo: no fallar, sino avanzar sin crecer.
De la Zona de Desarrollo Próximo a la Zona de No Desarrollo
Para explicar esta idea, me sirve volver a un concepto clásico: la Zona de Desarrollo Próximo de Lev Vygotsky.
La ZDP describe la distancia entre lo que una persona puede hacer por sí sola y lo que puede lograr con ayuda. En educación, esa ayuda suele entenderse como un andamiaje: una guía, una pregunta, una pista, una estructura o una intervención que permite al estudiante llegar más lejos sin quitarle el protagonismo del aprendizaje.
Durante años, muchas tecnologías educativas fueron pensadas desde esa lógica. La herramienta ayudaba a organizar, practicar, visualizar, recordar o acceder a información. El objetivo era ampliar la capacidad del aprendiz, no reemplazarla.
Pero la IA generativa cambia la escala del problema.
Un modelo de lenguaje no solo ofrece una pista. Puede escribir la respuesta completa. No solo ayuda a ordenar ideas. Puede producir el análisis entero. No solo sugiere una estructura. Puede redactar la conclusión, resolver el dilema, armar la presentación y justificar las decisiones.
Esto no es necesariamente malo. De hecho, puede ser muy útil en muchos contextos profesionales. El problema aparece cuando esa capacidad entra en una experiencia de aprendizaje sin límites claros.
Ahí cruzamos una frontera invisible.
Dejamos de estar en una zona donde la ayuda permite avanzar y entramos en una zona donde la ayuda elimina el desarrollo.
Eso es la Zona de No Desarrollo.
No ocurre porque la IA sea mala. Ocurre porque es demasiado buena en resolver cosas que el estudiante todavía necesitaba procesar.
El peligro no es usar IA. El peligro es delegar el pensamiento
Quiero ser claro: no escribo esto desde el rechazo a la IA.
Todo lo contrario.
Uso LLMs todos los días. Trabajo con flujos asistidos por IA. Experimento con agentes. Mantengo mi propio homelab. Diseño sistemas de conocimiento, pruebo modelos locales y pienso constantemente cómo integrar estas herramientas en procesos reales de aprendizaje, productividad y trabajo.
Justamente por eso me preocupa la Zona de No Desarrollo.
Porque cuanto más poderosa se vuelve la herramienta, más importante se vuelve decidir qué parte del proceso debe seguir siendo humana.
La IA puede ser una aliada extraordinaria cuando nos ayuda a explorar, contrastar, ordenar, practicar, revisar o mejorar. Pero se vuelve peligrosa para el aprendizaje cuando convierte al usuario en un simple aprobador de resultados.
Ese cambio puede parecer pequeño, pero es enorme.
Una cosa es usar IA para pensar con más claridad. Otra cosa es usar IA para evitar pensar.
Una cosa es pedirle a un modelo que nos ayude a comparar argumentos. Otra cosa es pedirle que tome la decisión por nosotros.
Una cosa es usar IA para recibir feedback sobre una conclusión propia. Otra cosa es pedirle que escriba la conclusión antes de haber construido una postura.
La diferencia no está solo en el resultado final. Está en quién hizo el trabajo cognitivo más importante.
Y en aprendizaje, eso importa mucho.
Productividad sin proceso
Uno de los grandes problemas de la IA en educación y formación es que puede producir una ilusión de competencia.
La persona entrega algo correcto, claro y bien estructurado. Desde afuera, parece que aprendió. Pero cuando le pedimos que explique el razonamiento, justifique una decisión o transfiera esa habilidad a un nuevo contexto, aparecen las grietas.
El producto está. El proceso no.
Esto puede pasar en una universidad, en una capacitación corporativa, en un curso interno o en cualquier actividad donde la IA pueda completar la tarea sin exigir una participación real del usuario.
La persona puede terminar un análisis sin haber analizado.
Puede entregar una reflexión sin haber reflexionado.
Puede producir una estrategia sin haber tomado decisiones estratégicas.
Puede completar una actividad de aprendizaje sin haber aprendido demasiado.
Ese es el corazón de la Zona de No Desarrollo: una experiencia donde la tarea avanza, pero la persona no.
Y para quienes trabajamos en L&D, este es un problema crítico. Porque nuestro trabajo no es simplemente lograr que las personas completen actividades. Nuestro trabajo es diseñar condiciones para que desarrollen criterio, capacidad, confianza, autonomía y transferencia.
Si la IA mejora la entrega pero debilita el desarrollo, no estamos diseñando mejor aprendizaje. Estamos diseñando una versión más rápida del cumplimiento.
La fricción también puede ser parte del diseño
En muchos entornos digitales, la fricción se trata como un enemigo.
Menos clics. Menos pasos. Menos esfuerzo. Menos tiempo. Menos obstáculos.
Y en muchos casos, eso es correcto. Nadie quiere una plataforma confusa, una navegación innecesariamente compleja o una experiencia que haga perder tiempo.
Pero en aprendizaje, no toda fricción es mala.
A veces, cierta dificultad es exactamente lo que permite que el aprendizaje ocurra.
Robert Bjork trabaja el concepto de dificultades deseables: desafíos que pueden hacer que el aprendizaje sea más lento en el momento, pero más profundo y duradero a largo plazo. No se trata de complicar por complicar. Se trata de diseñar esfuerzos que obliguen a recuperar, conectar, reorganizar y aplicar conocimiento.
Manu Kapur, con la idea de fracaso productivo, muestra algo similar desde otro ángulo: enfrentarse primero a un problema, incluso de manera imperfecta, puede preparar mejor a la persona para comprender una solución posterior.
En otras palabras: no todo error es pérdida de tiempo. No toda duda es ineficiencia. No toda dificultad debe ser eliminada.
A veces, la dificultad es el espacio donde se construye el aprendizaje.
La Zona de No Desarrollo aparece cuando la IA elimina esa dificultad antes de que cumpla su función.
Cuando responde demasiado rápido.
Cuando resuelve demasiado completo.
Cuando reduce el esfuerzo justo en el punto donde el estudiante necesitaba practicar.
Cuando transforma una actividad de aprendizaje en una transacción de resultado.
Por eso, el desafío no es hacer que la IA sea menos útil. El desafío es diseñar cuándo debe ayudar, cómo debe ayudar y cuándo debe detenerse.
Un ejemplo simple: la conclusión que la IA no debería escribir
Imaginemos una actividad donde un estudiante debe analizar un caso, comparar evidencias y construir una conclusión propia.
El estudiante abre un chatbot y escribe:
“Escribí la conclusión por mí.”
Un modelo sin restricciones probablemente lo haga. Tal vez produzca una conclusión clara, coherente y hasta convincente.
Pero desde el punto de vista del aprendizaje, esa respuesta puede ser un problema.
Porque la conclusión no era solo un producto final. Era el lugar donde el estudiante tenía que demostrar que podía conectar ideas, priorizar evidencias y tomar una postura.
En ese caso, una mejor respuesta no sería entregar la conclusión completa, sino redirigir el pedido:
“No voy a escribir la conclusión por vos, pero puedo ayudarte a construirla. Primero, identifiquemos tus tres evidencias principales. Después, vemos qué patrón aparece entre ellas y qué postura podés defender.”
Esa pequeña negativa no es una limitación técnica.
Es diseño pedagógico.
La herramienta sigue ayudando, pero no se apropia del momento donde debía ocurrir el desarrollo.
Y ahí es donde entran los Mini Brains.
Mini Brains: una respuesta simple para un problema complejo
Los Mini Brains nacen de una idea bastante simple: si vamos a trabajar con modelos de lenguaje, necesitamos una forma clara de definir cómo queremos que se comporten en una situación específica.
No siempre necesitamos crear una aplicación, entrenar un modelo o construir una infraestructura compleja. A veces necesitamos algo mucho más accesible: una unidad de contexto bien diseñada.
Un Mini Brain es eso.
Un archivo estructurado, en Markdown, que contiene la identidad, el propósito, las reglas, los límites, el conocimiento de referencia y los patrones de interacción que queremos que siga un modelo.
Me gusta pensarlo como un cartucho de videojuego.
Lo cargás en el modelo y le dice: este es el mundo, estas son las reglas, este es tu rol, esto podés hacer y esto no.
No es “crear una IA” desde cero. Es guiar la interacción con una IA existente.
Esa diferencia es importante.
Los Mini Brains son una solución low-tech para un desafío high-tech. No requieren ser ingeniero de software. No dependen de una plataforma específica. No obligan a construir un producto cerrado. Pueden usarse en un modelo local, en una versión gratuita de un LLM o en un entorno corporativo, siempre que el sistema permita cargar o pegar contexto.
Su valor no está en la complejidad técnica. Está en la claridad instruccional.
Y para evitar la Zona de No Desarrollo, esa claridad es fundamental.
Cómo un Mini Brain puede evitar la Zona de No Desarrollo
Un Mini Brain puede funcionar como una especie de cortafuegos pedagógico.
No porque bloquee el uso de IA, sino porque define qué tipo de ayuda es válida y qué tipo de ayuda empieza a reemplazar el aprendizaje.
Por ejemplo, puede establecer que la IA sí puede explicar conceptos, hacer preguntas socráticas, ayudar a comparar evidencias, dar feedback sobre una respuesta del estudiante, sugerir mejoras, señalar contradicciones, ayudar a planificar el trabajo, ofrecer ejemplos parciales o guiar una reflexión.
Pero también puede establecer que la IA no debe escribir la respuesta final por el estudiante, inventar una postura que el estudiante no construyó, resolver una actividad evaluativa completa, reemplazar el juicio humano, saltarse los pasos de razonamiento o entregar conclusiones cerradas cuando el objetivo es que la persona piense.
Esto no es menor.
En un chatbot común, el comportamiento suele depender de cómo el usuario formule el pedido. En un Mini Brain, el comportamiento queda gobernado por una estructura previa.
Eso permite que la IA ayude sin tomar el control.
Y esa es la clave: la IA no desaparece. Se vuelve más intencional.
Portabilidad: que el diseño pedagógico no dependa de una plataforma
Uno de los aspectos que más me interesa de los Mini Brains es su portabilidad.
En educación y en L&D, muchas veces quedamos atrapados en plataformas. Cada herramienta tiene su lógica, sus permisos, sus limitaciones, sus costos y sus cambios de producto. Lo que hoy funciona en un entorno puede no funcionar mañana en otro.
Los Mini Brains proponen otra lógica.
El diseño pedagógico vive en un archivo simple, legible y editable.
Eso significa que el valor no está encerrado en una interfaz. Está en la estructura: en las reglas, en el contexto, en las instrucciones, en los límites y en el conocimiento curado.
Un docente puede adaptar un Mini Brain para una actividad.
Un equipo de L&D puede usarlo para guiar una simulación.
Un estudiante puede cargarlo para practicar sin que la IA le haga todo el trabajo.
Un profesional puede usarlo para mantener consistencia en una tarea compleja.
Esa portabilidad importa porque devuelve parte del control al diseñador, al docente o al usuario.
En lugar de depender completamente de cómo una plataforma decide que debe comportarse la IA, podemos definir una capa propia de intención.
Y en un mundo donde la IA cambia todo el tiempo, esa capa de intención es una forma de continuidad.
Mini Brains como arquitectura de resistencia y colaboración
Cuando hablo de resistencia, no me refiero a resistirse a la IA.
Me refiero a resistirse a la pasividad.
Un Mini Brain bien diseñado no busca bloquear la productividad. Busca preservar el espacio donde el humano todavía tiene que participar.
Para eso, puede trabajar con tres capas muy simples.
La primera es la administración del pedido. El Mini Brain no responde solo a lo que el usuario quiere, sino a lo que la actividad permite. Si el usuario intenta delegar pensamiento crítico, el sistema puede redirigirlo hacia una forma de ayuda más adecuada.
La segunda es la ingeniería de contexto. En lugar de darle al modelo acceso indefinido a cualquier cosa, el Mini Brain trabaja con un conjunto de información curada. Eso ayuda a que la interacción se mantenga dentro del objetivo pedagógico.
La tercera es lo que suelo llamar Nutrición de IA. No se trata de alimentar al modelo con más información, sino con mejor información. Marcos de análisis, datos relevantes, criterios, ejemplos, restricciones y reglas claras. No “calorías vacías” en forma de respuestas listas para copiar, sino nutrientes que ayuden a pensar mejor.
Estas tres capas permiten algo que para mí es central: Humano-en-el-bucle real.
No como una frase decorativa.
No como una casilla de validación al final.
Sino como una estructura donde la persona sigue teniendo un rol activo durante el proceso.
El nuevo rol de L&D: diseñar límites inteligentes
Desde este enfoque, el valor de un profesional de L&D no está solamente en qué tan rápido puede automatizar contenidos.
Está en su capacidad para detectar qué partes del proceso pueden ser asistidas por IA y qué partes deben seguir siendo practicadas por la persona.
Ese cambio es importante.
Diseñar aprendizaje hoy no es solo diseñar acceso a contenido. Tampoco es simplemente transformar materiales en cursos más rápidos, más cortos o más automatizados.
Diseñar aprendizaje hoy implica decidir con mucha intención qué momentos necesitan apoyo y qué momentos necesitan esfuerzo.
Dónde conviene dar una pista.
Dónde conviene hacer una pregunta.
Dónde conviene ofrecer feedback.
Dónde conviene mostrar un ejemplo.
Y dónde conviene que la IA se detenga.
Porque si automatizamos todo, también podemos automatizar la parte donde ocurría el desarrollo.
Ese es el riesgo de la eficiencia total.
Podemos crear experiencias más rápidas, más limpias y más fluidas, pero menos formativas.
Por eso creo que L&D necesita asumir un rol nuevo: no solo facilitar aprendizaje, sino diseñar fricción productiva.
No fricción inútil. No burocracia. No pasos innecesarios.
Fricción con propósito.
La clase de fricción que obliga a pensar, decidir, justificar, revisar y mejorar.
La clase de fricción que evita que el usuario se convierta en espectador de una respuesta generada por una máquina.
Automatización sin diseño vs. Mini Brains contra la ZND
| Característica | Automatización sin diseño | Mini Brains contra la ZND |
| Rol de la IA | Resuelve por el usuario | Acompaña el proceso |
| Foco | Terminar la tarea | Desarrollar criterio |
| Control | Depende de la plataforma | Vive en el diseño instruccional |
| Interacción | Fluidez total | Fricción productiva |
| Resultado | Producto correcto | Aprendizaje defendible |
| Rol humano | Aprobar o copiar | Pensar, decidir y justificar |
La diferencia no está en usar o no usar IA.
La diferencia está en cómo diseñamos la relación entre la persona, la tarea y la herramienta.
No se trata de hacer menos con IA. Se trata de pensar mejor con IA
La discusión sobre IA en educación suele quedar atrapada en dos extremos.
De un lado, quienes quieren prohibirla o tratarla como una amenaza externa.
Del otro, quienes quieren automatizar todo lo posible porque la eficiencia parece ser el único criterio.
Creo que necesitamos una conversación más madura.
La IA ya forma parte del entorno de aprendizaje y trabajo. No tiene sentido diseñar como si no existiera. Pero tampoco tiene sentido entregarle todos los momentos importantes del proceso.
La pregunta no debería ser: “¿usamos IA o no usamos IA?”
La pregunta debería ser: ¿qué tipo de participación humana queremos preservar?
Si una persona usa IA y termina pensando mejor, excelente.
Si usa IA y entiende con más profundidad, excelente.
Si usa IA para practicar, recibir feedback, explorar caminos, comparar perspectivas y mejorar su trabajo, excelente.
Pero si usa IA para saltarse todo el esfuerzo que la actividad intentaba provocar, entonces no estamos frente a una mejora del aprendizaje. Estamos frente a una experiencia más eficiente, pero menos formativa.
Ahí aparece la Zona de No Desarrollo.
La Zona de No Desarrollo no aparece cuando usamos IA.
Aparece cuando dejamos de participar en el proceso.
Por eso, la respuesta no es apagar la tecnología ni volver a métodos anteriores. La respuesta es diseñar mejores límites, mejores contextos y mejores formas de colaboración.
Los Mini Brains son mi propuesta para eso: una forma simple, portable y abierta de recordarle a la IA que no está ahí para reemplazar el pensamiento humano, sino para ayudarlo a crecer.
Porque el verdadero éxito no es que la IA produzca una respuesta perfecta.
El verdadero éxito es que, cuando la IA termina su parte, nosotros sigamos siendo capaces de pensar mejor que antes.
