Los experimentos que he podido abrir coinciden: un vídeo formativo con avatar y voz sintética enseña lo mismo que uno grabado con una persona. Gusta un poco menos, y no siempre. Lo que sí mueve el resultado es otra cosa, y no es el avatar. Cuento qué dice la evidencia sobre salir tú en pantalla y sobre la voz sintética, y una idea de fondo: la comparación real nunca fue avatar contra formador.
Cuando empecé a producir vídeo con avatares, la parte legal la resolví en el post de al lado. Lo que me quedó dando vueltas fue otra cosa, y creo que la tenemos todos en la cabeza: ¿esto enseña lo mismo?
Porque si la respuesta era que no, lo demás daba igual. Por muy barato que salga, un curso que enseña menos es un curso peor. Y yo no me dedico a producir vídeo, me dedico a que la gente aprenda.
Encargué una investigación a una herramienta de IA y después fui abriendo los estudios uno por uno. Lo que encontré me tranquilizó por donde yo creía que estaba el problema, y me señaló otro que no había mirado.
(He dejado el artículo lo más limpio de números que he podido. Las cifras de cada estudio, quién lo paga y qué no demuestra están al final, por si quieres discutírmelas.)
¿Se aprende lo mismo?
El estudio más serio que he encontrado es de la Escuela Politécnica de Zúrich. Reunieron a cerca de quinientos adultos y les pusieron vídeos cortos sobre gestión de operaciones, alternando los grabados con una persona y los hechos con IA. Después de cada uno, examen.
En el examen no hubo diferencia. Ninguna.
Donde sí apareció fue en el agrado: el vídeo humano gustó algo más. Pero mira el detalle, que es lo que me gustó del estudio: en la mitad de los temas los participantes prefirieron el de IA, y en la otra mitad lo rechazaron con ganas. Así que no es que la IA guste menos. Es que depende del contenido, y todavía no sabemos de qué.
Hay un segundo estudio, más pequeño, con adultos de una empresa del sector energético: mismo resultado. Ese conviene leerlo con la mano en la cartera, porque los vídeos sintéticos los hicieron con Synthesia y el trabajo se hizo con la empresa que puso la muestra. No digo que esté mal hecho. Digo que si hubiera salido al revés, probablemente no lo estaríamos citando.
¿Y con qué hay que comparar esto?
Aquí está, para mí, el fondo del asunto.
Cuando comparamos un vídeo con avatar contra un vídeo grabado con una persona, estamos comparando contra algo que casi nunca teníamos.
Porque sí, la gente prefiere que se lo explique alguien. Lo sabe cualquiera que haya visto la cara de un equipo al que le entregas un manual. El problema es que ese formato estaba fuera de presupuesto en la mayoría de los proyectos. No había actor, no había plató, no había productora.
Y entonces lo que se entregaba no era un vídeo peor. Era un PDF. O ese curso de pantallas que todos hemos sufrido: un bloque de texto, el botón de «siguiente», otro bloque de texto y un test al final para demostrar que has llegado abajo.
Esa es la comparación de verdad. Avatar contra el módulo que se lee solo y que nadie termina.
Lo que ha cambiado no es que podamos sustituir a alguien. Es que llegamos más lejos con lo mismo. Módulos que se quedaban en texto porque no daba el dinero, ahora se explican. Contenido que envejecía sin actualizar porque volver a convocar un rodaje costaba una fortuna, ahora se rehace en una tarde. Cursos que existían en un idioma, ahora existen en cuatro.
Y la otra mitad, que quiero dejar igual de clara: esto no va de meterse en el terreno de lo presencial. Las salas y los buenos ponentes siguen donde estaban. Va del hueco que había debajo, ese que llevábamos años rellenando con documentos porque no llegábamos a más.
¿Hace falta que salgas en pantalla?
Esta me costó aceptarla, porque yo daba por hecho que sí.
En el recuento de experimentos que hace Mayer, el principio de imagen —que se vea la cara del que explica— es el que peor sale de toda la lista. Poco más de la mitad de los experimentos le encuentran beneficio, y el efecto medio es pequeño.
Ojo con lo que dice y lo que no dice eso. No dice que dé igual quién explique. Dice que verte a ti mientras hay otra cosa que mirar no añade casi nada, porque compite con ella.
Así que no es cuestión de si sales o no sales. Es de cuándo. La regla que me he puesto: aparecer cuando no haya nada más que mirar —la entrada, el cierre, los momentos en que hablo yo y punto— y quitarme de en medio cuando sí lo haya.
¿Cuándo tu cara sí es el contenido?
Hay dos casos en los que creo que la cámara sigue mandando. Y aviso: aquí ya no te hablo desde la evidencia, porque no la hay.
Cuando la autoridad es la persona. Si lo que sostiene el contenido es quién lo dice, la cara no es un adorno. La especialista que lleva quince años en esa materia, la directora que se moja con una decisión incómoda. Poner la cara es firmar lo que dices, y eso no se sintetiza. Ahí un avatar no ahorra: resta.
Cuando la diferencia está en cómo se cuenta. Todos hemos visto a alguien dar una charla y salir de la sala movidos. Gente que transmite algo que no está ni en las diapositivas ni en el guion: el ritmo, la pausa antes de la frase, la emoción que se le nota en la voz.
Te pongo un ejemplo del que soy muy fan. «Memorias de un tambor» es un podcast de historia de España y me los he escuchado todos. Cuenta episodios que sobre el papel son cuatro fechas y unos nombres, y consigue que se te pase un viaje a Asturias sin enterarte. Lo que pasa ahí no es que informe bien. Es que le importa, y se le nota en cada pausa.
Y fíjate en el detalle que lo hace redondo para este post: es un podcast. No hay cara. No hay avatar que valga, porque no hay nada visual que sustituir. Todo va en la voz.
No conozco ningún estudio que mida eso. Los experimentos de los que te hablo usan explicaciones cortas sobre temas neutros, que es justo donde eso no puede aparecer. Así que no te lo doy como dato, te lo doy como duda: no sé si una IA llegará a contagiar la pasión como lo hace una persona. Hoy yo no lo he visto.
Las dos excepciones tienen algo en común. Son los momentos en que el vídeo no va de transmitir información, sino de que alguien te convenza o te dé su palabra. Para eso, cámara. Para explicar cómo se rellena el parte de gastos, avatar.
¿Y la voz?
Aquí hay una regla del oficio que se cita mucho: que la voz humana enseña mejor que la sintética. Viene de experimentos de principios de los dos mil, con los sintetizadores de entonces.
Desde entonces se ha vuelto a probar. En 2017, con tres tipos de voz, el motor moderno no salió por detrás del humano y dejó atrás al antiguo. En 2022, un experimento con estudiantes de ingeniería encontró lo mismo. Es un experimento pequeño, eso sí, y ahí «no encontraron diferencia» no es «son equivalentes»: con tan poca gente no hay manera de detectar una diferencia pequeña aunque exista.
Y hay un contrapeso, que es el que decide tu presupuesto. En 2024 compararon la voz sintética moderna contra la grabación de un actor de voz profesional. Ahí sí ganó el humano, en retención y en transferencia.
Junta las dos cosas y sale la regla práctica más útil de todo este post:
Voz sintética moderna ≈ una persona normal grabando con su micro. Locución profesional > voz sintética moderna. Si solo puedes pagar una cosa, paga la voz. No un avatar más realista.
¿Dónde conviene poner el esfuerzo, entonces?
En dos sitios, y ninguno cuesta dinero.
1. Escribe el guion como si hablaras con alguien. De tú, en conversación, no en registro de manual. Es el principio de personalización, y en el recuento de Mayer es de los que mejor salen: bastante mejor que salir tú en pantalla. Sin cámara, sin herramienta, sin presupuesto. Solo escribiendo distinto.
2. Decide qué enseñas y en qué orden. En el estudio de Zúrich, el tema del vídeo movía las notas muchísimo. Que lo hubiera hecho una IA no las movía casi nada. Si dedicas más tiempo a elegir avatar que a escribir el guion, estás optimizando la variable equivocada.
Lo que se automatizó fue la cámara. No el criterio.
¿Dónde se acaba esta evidencia?
No quiero que salgas de aquí con más confianza de la que hay.
- Todo son microvídeos de pocos minutos. Un curso de cuarenta minutos sobre negociación no está cubierto por esto.
- Nadie ha medido a semanas. Ni un estudio compara retención a medio plazo entre avatar y persona.
- Nada sobre habilidades interpersonales ni sobre transferencia al puesto.
- Todo es sesión única. No sabemos si el avatar cansa al décimo módulo, ni cuánto de lo medido es novedad.
- Nada en español. Toda la evidencia sobre voz sintética que he podido verificar está en inglés, y los motores no rinden igual en todos los idiomas.
- Ni un solo estudio controlado sobre doblaje automático con resultados de aprendizaje. Si alguien te lo vende como pedagógicamente equivalente, no tiene con qué respaldarlo. Véndelo, y cómpralo, como acceso y coste, que ya es mucho.
En resumen
- En examen, un vídeo con avatar enseña lo mismo que uno grabado con una persona. Medido en vídeos cortos y examen inmediato, no más allá.
- Gusta algo menos, pero no siempre: en la mitad de los temas prefirieron el de IA.
- La comparación honesta no es avatar contra formador. Es avatar contra el PDF que entregábamos cuando no había presupuesto.
- Salir en pantalla es lo que peor sale de toda la lista de principios multimedia. Sal cuando no haya nada más que mirar.
- Si solo puedes pagar una cosa, paga la locución antes que el avatar.
- Escribir el guion de tú rinde más que cualquier decisión de producción, y es gratis.
¿Hablamos?
Si has producido vídeo con avatar, me interesa una cosa concreta: ¿qué te dijo la gente que lo vio? No la puntuación de la encuesta, lo que te dijeron por el pasillo. Y si lo descartaste, también quiero saber por qué. Te leo en los comentarios.
Preguntas frecuentes
¿Se aprende menos con un vídeo hecho con avatar de IA?
En lo que está medido, no: los experimentos con vídeos cortos y examen inmediato no encuentran diferencia en aprendizaje. Sí aparece una preferencia leve por el vídeo humano, que además cambia según el tema.
¿Es mejor la voz humana que la sintética?
Depende de qué voz humana. Frente a una persona normal grabando con su micro, los motores modernos aguantan la comparación. Frente a un actor de voz profesional, el humano gana en retención y transferencia.
¿Merece la pena salir en pantalla?
Depende del momento. Mientras hay información visual importante en pantalla aporta poco, porque compite con ella. Tiene todo el sentido en la entrada, el cierre y los momentos en que lo que importa es lo que dices.
¿Y el doblaje automático a otros idiomas?
No hay ningún estudio controlado que mida resultados de aprendizaje con doblaje automático. Es una mejora clara de acceso y de coste, pero su equivalencia pedagógica no está demostrada.
Si quieres el detalle: qué dicen los estudios y qué no
Abrir las fichas de los seis estudios
Aquí abajo va lo que me he saltado arriba para no cortar la lectura: las cifras exactas, quién paga cada estudio y qué no demuestra. Si el post te ha valido, no hace falta que sigas.
El estudio grande
Netland, T., von Dzengelevski, O., Tesch, K. y Kwasnitschka, D. (2025). Comparing human-made and AI-generated teaching videos. Computers & Education, 224, 105164
447 adultos estadounidenses reclutados en Amazon Mechanical Turk. Cada uno vio cuatro vídeos de entre 2,5 y 3,2 minutos sobre 5S, TRIZ, JIT y Kanban, y EOQ, alternando origen humano y origen IA. Examen y valoración después de cada uno. En el examen, el efecto del origen del vídeo fue de −0,01 con p = 0,69. En la experiencia de aprendizaje, −0,16 a favor del humano, esta vez con p < 0,001. Por temas, la experiencia salió a favor de la IA en 5S y en JIT y Kanban, y a favor del humano en TRIZ y en EOQ.
De quién es. Autores de la ETH de Zúrich. En la versión que he leído no consta declaración de financiación ni de conflicto de interés. Los vídeos de IA se hicieron con ChatGPT, Midjourney, DALL·E y HeyGen, no con Synthesia.
Lo que no demuestra. Cuatro píldoras de menos de tres minutos con examen inmediato: nada de retención, transferencia ni cursos largos. Y la muestra es de MTurk, gente pagada por participar, no empleados formándose en su empresa.
Por qué lo leo así. El dato que me ordena el post está en su tabla 6. En el mismo modelo donde el origen del vídeo pesa −0,01, el tema del vídeo llega a −0,72. Es la comparación que me interesa: dentro del mismo análisis, qué enseñas mueve las notas y con qué lo grabaste casi no las toca. Aviso de honestidad: esos coeficientes están sobre la puntuación del examen y no parecen estandarizados, así que sirven para comparar magnitudes dentro del estudio, no para convertirlos en «setenta veces» sin más.
El estudio de la empresa
Leiker, D., Gyllen, A. R., Eldesouky, I. y Cukurova, M. (2023). Generative AI for Learning: Investigating the Potential of Learning Videos with Synthetic Virtual Instructors. AIED 2023
83 adultos de EIT InnoEnergy, repartidos entre vídeo grabado (31) y vídeo sintético de 4,5 minutos (52), sobre fuentes y vectores energéticos. Los dos grupos aprendieron. Entre condiciones no hubo diferencia (p = 0,80), ni en aprendizaje ni en percepción.
De quién es. UCL Knowledge Lab, Metropolitan State University of Denver y EIT InnoEnergy, que aporta la muestra y el contenido. Sin declaración de financiación. Los vídeos son de Synthesia.
Lo que no demuestra. Con 83 personas y grupos desiguales no hay potencia para detectar efectos pequeños: la ausencia de diferencia no es equivalencia, y los autores lo dicen. Además, en las preguntas abiertas —que solo contestó el 20%— casi la mitad de los comentarios fueron negativos, repartidos por igual entre las dos condiciones.
Los principios de diseño
Mayer, R. E. (2023). Research-Based Principles for Designing Multimedia Instruction. En In Their Own Words, APA. Cifras tomadas de Mayer, R. E. (2021), Multimedia Learning, 3.ª ed., Cambridge University Press
Mayer resume quince principios con el número de experimentos favorables y un tamaño de efecto. Los que uso aquí: personalización, 13 de 15 experimentos favorables, efecto 1,00. Corporeización —que el agente gesticule—, 16 de 17, efecto 0,58. Imagen —que se vea la cara del que explica—, 4 de 7, efecto 0,19.
De quién es. El capítulo declara financiación de la Office of Naval Research estadounidense. Mayer sintetiza sobre todo investigación propia, que es lo normal en quien fundó este campo, pero conviene saberlo.
Lo que no demuestra. No es un metaanálisis: son recuentos, sin intervalos de confianza ni análisis de sesgo de publicación. Son experimentos breves de laboratorio con universitarios y medidas inmediatas. Y ninguno de estos principios se ha probado con contenidos generados por IA: aplicarlos aquí es una extrapolación, y la hago yo.
Por qué lo leo así. Que «4 de 7» sea el peor de la lista no significa que salir en pantalla perjudique. Significa que en tres de esos siete experimentos no apareció beneficio. Mayer no dice que fueran negativos, y yo tampoco.
Los tres de la voz
Craig, S. D. y Schroeder, N. L. (2017), Computers & Education 114 · Dinçer, N. (2022), Journal of Pedagogical Research 6(3) · Siegle, R. F. y Craig, S. D. (2024), Journal of Computer Assisted Learning 40(5)
Craig y Schroeder compararon tres voces en un humano virtual: el motor moderno rindió mejor que el antiguo y se valoró igual que la voz humana. De este solo he podido leer el resumen. Dinçer es un experimento con 51 estudiantes varones de ingeniería, tres grupos: la voz sintética antigua salió muy por debajo de la humana y de la moderna, y entre humana y moderna no hubo diferencia significativa (p = 0,200). Siegle y Craig, con 197 adultos, compararon voz sintética moderna contra la grabación de un actor profesional: ganó el actor en retención y transferencia, y el acento dejó de penalizar.
De quién es. Dinçer declara no tener financiación ni conflicto de interés. De los otros dos no he podido leer esa parte.
Lo que no demuestra. Ninguno prueba equivalencia: con 15 a 20 personas por grupo, no encontrar diferencia es lo esperable aunque exista. Todo en inglés, sesión única, vídeos de minutos. Y el «motor moderno» de 2017 y de 2022 ya no es el de hoy, en ninguna dirección.
Por qué lo leo así. La regla clásica no está derogada, está mal citada. Lo que dicen estos tres juntos es que el listón se ha movido: la síntesis alcanzó a la voz humana corriente, y sigue sin alcanzar a la profesional.
Y uno que he tenido que quitar
Hay un metaanálisis de Beege y otros (2023) sobre la presencia del instructor en vídeo que encajaría aquí. No he conseguido abrirlo: la editorial bloquea el acceso y el repositorio que aloja la copia abierta no responde. Como no lo he leído, no lo cito. Si consigo el PDF, actualizo esta sección.
Referencias
Ver las seis fuentes con enlace
- Netland, T., von Dzengelevski, O., Tesch, K. y Kwasnitschka, D. (2025). Comparing human-made and AI-generated teaching videos: An experimental study on learning effects. Computers & Education. (texto completo)
- Leiker, D., Gyllen, A. R., Eldesouky, I. y Cukurova, M. (2023). Generative AI for Learning: Investigating the Potential of Learning Videos with Synthetic Virtual Instructors. AIED 2023.
- Mayer, R. E. (2023). Research-Based Principles for Designing Multimedia Instruction. APA, División 2.
- Craig, S. D. y Schroeder, N. L. (2017). Reconsidering the voice effect when learning from a virtual human. Computers & Education.
- Dinçer, N. (2022). The voice effect in multimedia instruction revisited: Does it still exist? Journal of Pedagogical Research.
- Siegle, R. F. y Craig, S. D. (2024). The voice quality of pedagogical agent impacts learning and agent perceptions. Journal of Computer Assisted Learning.
