I. El problema que nadie nombra del todo
Cuando una institución educativa pública decide incorporar inteligencia artificial en sus aulas, suele hacerse una sola pregunta, ¿funciona? Raramente se hacen las otras preguntas, las que tienen consecuencias más duraderas ¿A qué servidor van los datos de nuestras y nuestros estudiantes? ¿Qué empresa los procesa? ¿Qué pasa si esa empresa cambia sus precios, sus condiciones de uso, o directamente cierra el acceso? ¿Qué jurisdicción rige esa información?
La adopción acrítica de herramientas de inteligencia artificial en la educación superior reproduce, en un dominio nuevo, una lógica colonial bien conocida, la de delegar en actores externos decisiones que debieran ser institucionales, pedagógicas y políticas. Cuando una universidad pública argentina sube los exámenes, las dudas y las trayectorias de sus estudiantes a plataformas comerciales en la nube, no está solo usando una herramienta, está transfiriendo información estratégica a un tercero cuyas prioridades no son las de la educación pública.
CogniBookIA nació como una respuesta concreta a este problema. Desarrollado desde SiciliaLabs y con foco en donarlo para su uso completamente libre en la Universidad Nacional de Lanús (UNLa), es un sistema de tutoría inteligente de código abierto diseñado específicamente para funcionar dentro de la institución, sin depender de servicios externos, sin costos por cantidad de usuarios y sin ceder los datos de los estudiantes a ningún servidor ajeno.
Este artículo no es una presentación técnica del sistema. Es una reflexión sobre lo que dicho sistema implica como apuesta política en el contexto de la educación pública latinoamericana.
II: La promesa y el riesgo de la IA en el aula
La irrupción de los grandes modelos de lenguaje en la vida cotidiana ha generado expectativas enormes en el campo educativo. La posibilidad de contar con un tutor disponible a cualquier hora, capaz de responder preguntas sobre el material de estudio en lenguaje natural y con paciencia infinita, es genuinamente transformadora para estudiantes que trabajan, cuidan familiares o viven lejos del campus.
Pero esa promesa viene empaquetada con riesgos que las instituciones educativas no siempre están en condiciones de evaluar. El más visible es el de las llamadas «alucinaciones». Esto es la tendencia de los modelos de lenguaje generales a inventar respuestas con apariencia de veracidad, mezclando información correcta con afirmaciones falsas o imprecisas. Para un estudiante que consulta a las dos de la madrugada antes de un parcial, una respuesta incorrecta que suena convincente puede ser más perjudicial que no tener respuesta.
Pero hay un riesgo más profundo y menos discutido, el de la dependencia. Los sistemas de IA comerciales más conocidos funcionan bajo un modelo de suscripción o pago por uso que implica costos en divisas, límites de consultas diarias y condiciones de servicio que pueden cambiar unilateralmente. Para una universidad pública argentina con presupuesto ajustado y cientos de estudiantes por comisión, ese modelo es estructuralmente insostenible. Y eso sin mencionar que el flujo de datos (las preguntas de cada estudiante, sus dudas recurrentes, sus horarios de estudio) alimenta los sistemas de entrenamiento de empresas privadas que no tienen ninguna obligación de rendir cuentas a la institución educativa.
III. Qué hace CogniBookIA y cómo lo hace (sin perder de vista para qué)
CogniBookIA resuelve el problema de las alucinaciones mediante una tecnología que se llama Generación Aumentada por Recuperación (RAG, por sus siglas en inglés). La idea es simple aunque la implementación sea sofisticada, en lugar de dejar que la inteligencia artificial responda desde su conocimiento general (que puede contener errores, información desactualizada o simplemente contenido ajeno a la materia), el sistema la «confina» al material que el equipo docente cargó expresamente. Si un profesor o profesora subió el programa, las guías de lectura y tres textos obligatorios, la IA solo puede responder con lo que está en esos documentos. Si la pregunta está fuera de ese corpus, el sistema lo dice claramente en lugar de inventar.
El resultado práctico es doble, las y los estudiantes reciben respuestas precisas, con citas directas del material de estudio, que pueden verificar por cuenta propia. Además, las y los docentes pueden confiar en que el asistente no va a contradecir su propuesta pedagógica ni introducir contenido que no autorizaron.
Pero CogniBookIA no es solo un chatbot. Cada consulta que realiza un estudiante queda registrada en un panel analítico al que acceden el equipo docente. Este panel muestra, en tiempo real, qué temas concentran más dudas, en qué momentos del día o de la semana estudian los alumnos con más intensidad, cuánto tiempo demoran en obtener una respuesta satisfactoria y cuáles son las últimas preguntas realizadas. Esta información, que antes era invisible para el equipo docente, se convierte en materia prima para mejorar las clases, si el 60 % de las consultas de una semana giran en torno a un mismo concepto, es una señal clara de que ese concepto requiere más atención en el aula.
La dimensión analítica convierte a CogniBookIA en algo más que una herramienta de apoyo estudiantil, es un instrumento de investigación sobre los propios procesos de aprendizaje. Las universidades que registran qué temas les cuestan más a sus estudiantes tienen información para tomar decisiones pedagógicas basadas en evidencia, y no solo en la intuición de los docentes.
IV. La soberanía como decisión política
El rasgo que distingue a CogniBookIA de la mayoría de las soluciones disponibles en el mercado no es técnico, sino que es político. El sistema está diseñado para funcionar completamente dentro de la institución, en servidores propios o incluso en computadoras de escritorio convencionales, sin necesidad de enviar ningún dato a servicios externos.
Esto es posible porque utiliza modelos de lenguaje de código abierto que pueden ejecutarse localmente, sin conexión a internet y sin depender de ninguna API (del inglés, application programming interface) comercial. El costo marginal por consulta, una vez adquirido el equipamiento básico (que puede ser un servidor modesto o incluso una computadora de escritorio de gama media), es prácticamente cero. No hay límites de consultas por día, no hay costos adicionales por cantidad de usuarios, no hay facturas en dólares al fin de mes.
Esta arquitectura tiene consecuencias que van más allá del ahorro económico. Los datos de cada estudiante (sus preguntas, sus dificultades, sus horarios de estudio) permanecen íntegramente dentro de la institución. No son procesados por ninguna empresa privada, no alimentan ningún sistema de entrenamiento externo, no están sujetos a políticas de uso que pueden cambiar sin aviso. La universidad recupera el control sobre la información que le pertenece.
Por otra parte, el sistema también es flexible. Las y los docentes pueden ajustar el «contexto» sobre el que responde la inteligencia artificial mediante instrucciones pedagógicas propias. Un profesor puede configurar el asistente para que responda con determinado enfoque teórico, que cite siempre las fuentes, que aliente al estudiante a seguir investigando antes de dar la respuesta completa, o que no aborde ciertos temas que prefiere reservar para el debate en clase. Esta capacidad de intervención pedagógica directa sobre la herramienta es algo que los sistemas comerciales no permiten, o permiten solo de manera limitada y siempre mediada por los términos del proveedor.
Hablar de soberanía tecnológica en educación no es un slogan vacío. Es la diferencia entre una institución que decide cómo y para qué usa la tecnología, y una institución que delega esas decisiones en quien vende el servicio.
V. La universidad pública latinoamericana ante la encrucijada tecnológica
La discusión sobre la inteligencia artificial en la educación tiene lugar, en Argentina y en América Latina, en un contexto de crisis presupuestaria sostenida de las universidades públicas, de brecha digital estructural entre estudiantes de distintos sectores socioeconómicos, y de una narrativa dominante sobre la tecnología que está fuertemente marcada por intereses comerciales.
Una universidad que, en cambio, desarrolla o adopta herramientas de código abierto, que retiene el control sobre sus datos y que puede intervenir pedagógicamente sobre las tecnologías que usa, está ejerciendo una forma de autonomía que tiene consecuencias concretas sobre sus estudiantes, sus docentes y su proyecto institucional.
CogniBookIA fue desarrollado con esa apuesta. No es una solución definitiva ni un modelo cerrado, es una invitación a que más instituciones educativas recuperen la capacidad de decidir (técnica, pedagógica y políticamente) cómo y para qué usan la inteligencia artificial en sus aulas. El hecho de que sea de código abierto y que haya sido donado a la UNLa es parte de esa misma lógica, el conocimiento que surge en el ámbito universitario debe poder circular sin barreras comerciales.
VI. Cómo está construido el sistema. Arquitectura para lectores con perfil técnico
CogniBookIA combina tres componentes que trabajan en conjunto:
1) Un modelo de lenguaje local (se puede cambiar a uno remoto)
2) Una base de conocimiento vectorial
3) Una capa de gestión de contexto pedagógico.
El modelo de lenguaje local es el motor que genera las respuestas en lenguaje natural. A diferencia de los sistemas que se conectan a servicios en la nube, CogniBookIA corre el modelo directamente en el servidor de la institución, sin enviar ningún dato al exterior. La elección de un modelo liviano (capaz de funcionar en hardware convencional, sin placa de video dedicada) no es una concesión a las limitaciones de infraestructura, es una decisión estratégica. Los modelos más grandes no necesariamente ofrecen mejores respuestas en dominios acotados como el de una materia universitaria, y su costo en hardware los vuelve inviables para la mayoría de las instituciones públicas latinoamericanas. Un servidor básico o incluso una computadora de escritorio de oficina es suficiente para correr el sistema con buen rendimiento.
La base de conocimiento vectorial es el mecanismo que implementa el RAG explicado en la sección III. Cuando se suben los materiales de la materia, el sistema los procesa y los convierte en una representación matemática que permite búsquedas por similitud semántica, no busca palabras exactas, sino significados. Cuando se hace una pregunta, el sistema primero identifica qué fragmentos del material son más relevantes para esa consulta, y recién entonces le pasa esa información al modelo de lenguaje para que construya la respuesta. Esta base se almacena localmente, en archivos del propio servidor, sin necesidad de una infraestructura de base de datos compleja.
Una decisión de diseño importante es que el número de fragmentos que el sistema recupera varía según la complejidad estimada de la pregunta. Las consultas simples reciben menos contexto, y las más elaboradas, más. Esto evita un problema frecuente en los modelos livianos, cuando reciben demasiada información a la vez, su calidad de respuesta se degrada. El sistema también incorpora un paso de validación previo en el que el propio modelo evalúa si la pregunta corresponde al tema configurado por el docente, antes de buscar en la base. Este filtro ahorra procesamiento y evita respuestas fuera de contexto.
La capa de gestión de contexto pedagógico es lo que permite a cada docente personalizar el comportamiento del asistente. Las instrucciones que definen el tono, el enfoque teórico y los límites temáticos de cada materia se almacenan en una base de datos relacional y se aplican automáticamente a cada conversación. El sistema tiene una jerarquía, las instrucciones específicas de un tema prevalecen sobre las generales de la materia, que a su vez prevalecen sobre el comportamiento por defecto. Esto permite una granularidad fina sin requerir intervención técnica, cada docente configura todo desde una interfaz web, sin necesidad de saber programar.
El registro de interacciones que alimenta el panel analítico docente también se almacena en esa misma base de datos, completamente local. Todo el sistema (el modelo, la base vectorial, la base relacional y la interfaz web) puede desplegarse en un único servidor institucional, o incluso distribuirse entre varios si la institución tiene esa capacidad.
VII. Lo que el sistema reveló y lo que todavía queda por resolver
Toda experiencia concreta de innovación revela tanto sus posibilidades como sus límites, y este caso no es la excepción.
CogniBookIA rinde mejor cuando el material educativo que lo alimenta está bien organizado, textos con estructura clara, divididos en temas delimitados, con información de contexto precisa. Las cátedras que suben materiales desordenados o sin criterio de selección obtienen un asistente menos preciso. Esto no es un defecto del sistema sino una consecuencia inevitable de cualquier tecnología que trabaja sobre documentos, la calidad de las respuestas depende de la calidad del corpus que las genera.
La generación automática de ejercicios y la evaluación de respuestas abiertas (dos demandas frecuentes) están fuera del alcance actual de la arquitectura liviana que permite el funcionamiento local. Esas funciones requerirían modelos más potentes o estrategias de ajuste fino que aumentan los requisitos de hardware.
Queda pendiente también la integración con los sistemas de gestión del aprendizaje que ya usan las universidades, como Moodle, de manera que los estudiantes puedan acceder al asistente desde el entorno virtual al que ya están habituados, sin tener que usar una plataforma separada.
Estas limitaciones son reales y vale la pena nombrarlas. Pero no invalidan la apuesta central, es posible construir sistemas de inteligencia artificial educativa que sean, al mismo tiempo, pedagógicamente útiles, tecnológicamente soberanos y económicamente sustentables para las instituciones públicas latinoamericanas.
VIII. Una decisión sobre el futuro que queremos
En 2026, la inteligencia artificial dejó de ser una promesa futura para convertirse en una presencia cotidiana en la vida de los estudiantes universitarios. La pregunta ya no es si van a usarla, la pregunta es en qué condiciones, con qué garantías y bajo el control de quién.
Las universidades públicas que se limitan a esperar que las grandes plataformas resuelvan el problema por ellas están renunciando a un espacio de decisión que les corresponde. Las que desarrollan o adoptan alternativas soberanas, de código abierto, adaptadas a sus condiciones reales de infraestructura y a sus proyectos pedagógicos propios, están ejerciendo la autonomía universitaria en su sentido más contemporáneo.
CogniBookIA es una de esas alternativas. Una plataforma construida con la convicción de que la tecnología en la educación pública no debería ser un servicio que se le compra a quien pueda pagarlo, sino una capacidad que las instituciones construyen, controlan y ponen al servicio de sus estudiantes.
El sistema CogniBookIA se presenta en el 5º International Congress on Education and Knowledge (ICON-edu 2026), Universidad de Alicante, junio de 2026, bajo el lema Innovación educativa para un desarrollo sostenible.
*Gustavo Hernán Siciliano es graduado en Licenciatura en Sistemas (UNLa). Especializado en IoT (FIUBA). Estudiante de Especialización en Género, Políticas Públicas y Sociedad (UNLa).
*Imagen de portada: Marcelo Pombo. Manifestación de girasoles de Melé Bruniard, 2018, técnica mixta, 45X62 cm. Fuente: https://artishockrevista.com/
Referencias
– LangChain. (2024). LangChain Documentation. https://python.langchain.com/
– Ollama. (2024). Get up and running with large language models, locally. https://ollama.com/
– Santos, A. C. (2025). La casa desde el tejado. El vínculo entre inteligencia artificial generativa y evaluación en Educación Superior. Investigación en Movimiento. https://investigacionenmovimiento.unla.edu.ar/la-casa-desde-el-tejado-el-vinculo-entre-inteligencia-artificial-generativa-y-evaluacion-en-educacion-superior/
Cómo citar este artículo: Siciliano, G. (23 de junio del 2026). CogniBookIA: inteligencia artificial soberana para la universidad pública. Investigación en Movimiento. https://investigacionenmovimiento.unla.edu.ar/cognibookia-inteligencia-artificial-soberana-para-la-universidad-publica/
