Resumen: Cuatro experimentos aleatorizados coinciden: un vídeo formativo con avatar y voz sintética enseña lo mismo que uno grabado con una persona. Gusta un poco menos, eso sí. Lo que sí cambia el resultado es otra cosa — y no es el avatar. Repaso qué dice la evidencia sobre salir tú en pantalla, sobre la voz sintética y sobre la decisión que rinde cinco veces más que todas las anteriores. Y una idea de fondo: la comparación real nunca fue avatar contra formador, sino avatar contra el módulo de texto y botón de «siguiente» que entregábamos cuando no había presupuesto para grabar.
Cuando empecé a producir vídeo con avatares, la pregunta que me hacía por las noches no era la legal. Esa la resolví en el post de al lado.
La pregunta era esta: ¿esto enseña lo mismo?
Porque si la respuesta era que no, todo 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.
Me fui a buscarlo. Y lo que encontré me tranquilizó en lo que creía que era el problema, y me señaló otro que no había mirado.
La respuesta corta: se aprende lo mismo
Hay cuatro experimentos aleatorizados desde 2023 que comparan lo mismo: el mismo contenido, en un vídeo grabado con una persona y en un vídeo generado con avatar. Y coinciden.
El más grande es de 2025, con 447 adultos estadounidenses y cuatro temas de gestión. Cada participante veía unos vídeos hechos por el profesor y otros generados por IA, alternados. Al terminar, examen.
Resultado en el examen: −0,01, p = 0,69. Es decir, nada. Meter en el modelo la variable «este vídeo lo hizo una IA» no explicaba absolutamente nada de la nota.
Donde sí apareció diferencia fue en el agrado: −0,16 a favor del humano, pequeño pero consistente. Los otros tres estudios van en la misma dirección — uno de ellos, con estudiantes aprendiendo vocabulario, encontró incluso mejor retención con el vídeo de IA.
Un matiz que me gustó del estudio grande: la media escondía la varianza. En dos de los cuatro temas los participantes prefirieron el vídeo de IA. En los otros dos lo rechazaron con bastante fuerza. No es que la IA guste menos siempre: es que depende del contenido.
Antes de seguir, porque sé cómo suena
Si te dedicas a esto, «se aprende lo mismo con un avatar» tiene una lectura que escuece: entonces yo sobro.
Vamos a mirarla de frente, porque llevo dándole vueltas desde que empecé a producir así.
Lo que un avatar sustituye es la grabación. Los dos días de plató, el locutor, el montaje, la coordinación de agendas para repetir una toma que salió torcida. Eso sí. Y era caro.
Lo que no sustituye es todo lo que decidiste antes de encender la cámara: qué merece la pena enseñar, en qué orden, con qué práctica y cómo vas a saber si ha funcionado. Y esa parte, lejos de valer menos, ahora pesa más — porque es la única que no se ha abaratado.
Hay un dato más abajo que lo dice mejor que yo: que el vídeo lo hiciera una IA no explicaba prácticamente nada de lo que aprendió la gente. El tema explicaba setenta veces más.
Lo que se automatizó fue la cámara. No el criterio.
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. Está en los datos de este mismo post — la experiencia de aprendizaje sale mejor con el vídeo humano — y 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 alguna vez: un bloque de texto, el botón de «siguiente», otro bloque de texto, y un test al final para demostrar que has llegado hasta abajo.
Esa es la comparación de verdad. No avatar contra formador. Avatar contra el módulo que se lee solo y que nadie termina.
Y ahora ese mismo módulo puede tener a alguien contándotelo. Mirando a cámara y explicándotelo, que es como quiere que se lo cuenten casi todos cuando pueden elegir.
Lo que ha cambiado no es que podamos sustituir a alguien. Es que podemos llegar más lejos con los mismos recursos. 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 actualiza en una tarde. Cursos que solo existían en un idioma, ahora existen en cuatro.
Y quiero dejar clara la otra mitad: esto no va de meterse en el terreno de lo presencial. Las salas y los buenos ponentes siguen exactamente donde estaban, haciendo lo que un vídeo no hace. 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 es la que me costó aceptar, porque llevo años dando por hecho que sí.
La idea de que ver la cara de quien explica «crea conexión» y por tanto mejora el aprendizaje tiene nombre técnico — principio de imagen — y una base experimental bastante flaca. En el recuento del propio Mayer: 7 comparaciones, de las cuales 3 dieron efecto negativo, con una mediana de d = 0,19.
Ojo con lo que dice y lo que no dice ese número. No dice que dé igual quién explique. Dice que verte a ti mientras hay otra cosa que mirar no añade casi nada.
Y hay un motivo mecánico para esos negativos que me parece muy revelador: un metaanálisis con 35 estudios y más de 6.000 participantes documenta que la presencia del instructor en pantalla reduce el tiempo que la gente mira la información visual relevante. Si en ese momento lo importante está en el gráfico, tu cara compite con el gráfico. No es un juicio sobre tu cara: es que quien te ve solo tiene un par de ojos.
Así que no es una decisión 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
Dicho todo lo anterior, hay dos casos en los que creo que la cámara sigue mandando. Y te aviso de entrada: aquí ya no te hablo desde la evidencia, porque no la hay. Te hablo desde mi sitio, que no es la tarima. Llevo veinte años en la parte de atrás — plataformas, virtualización de contenidos, tecnología aplicada a la formación de empresa —, sentada con los formadores que son quienes diseñan e imparten. Desde ahí se ve bastante.
Cuando la autoridad es la persona. Si lo que sostiene el contenido es quién lo dice — la especialista que lleva quince años en esa materia, la directora que se moja con una decisión incómoda, alguien a quien el equipo va a creer precisamente porque es él — entonces la cara no es un adorno. Es parte del mensaje. 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 cuantos nombres — y consigue que se te pase un viaje entero 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 lo que transmite va en la voz — que es, casualmente, lo único donde la evidencia sí encuentra que una persona profesional le gana a la síntesis.
No conozco ningún estudio que mida eso: los experimentos de los que te he hablado usan explicaciones de cinco minutos sobre temas neutros, que es justo donde eso no puede aparecer. Así que no te lo doy como dato. Te lo doy como duda, y es esta: no sé si una inteligencia artificial llegará a transmitir y a contagiar la pasión como lo hace una persona. Hoy, desde luego, yo no lo he visto.
Y fíjate en que las dos excepciones tienen algo en común: son los momentos en que el vídeo no va de transmitir información. Va de que alguien te convenza, te sacuda o te dé su palabra.
Para eso, cámara. Para explicar cómo se rellena el parte de gastos, avatar.
La regla de la voz que todos citamos está caducada
Si has estudiado diseño instruccional, te habrán enseñado el «principio de la voz»: la voz humana enseña mejor que la sintética. Suele citarse con un d = 0,74, que es un efecto grande.
Mira las fechas. Ese hallazgo es de 2003 y 2005, y las voces sintéticas que se compararon eran los sintetizadores de aquella época. Los que sonaban a robot de película.
Desde entonces, cuatro réplicas directas lo han contradicho. En 2017, un experimento con tres condiciones —motor antiguo, motor moderno y voz humana— encontró que el motor moderno producía más aprendizaje en transferencia que el antiguo y era valorado igual que la voz humana. En 2019 se repitió con la misma conclusión, y en 2022 otra vez: «el progreso en la tecnología de síntesis permitió generar voces parecidas a las reales y, por tanto, no se observó diferencia significativa entre la voz moderna y la humana».
Y en 2021, un metaanálisis sobre agentes pedagógicos comparó los estudios con voz humana, voz de máquina y sin voz: no encontró diferencias entre los tres grupos (p = 0,89). La voz no era moderador de nada.
Citar hoy ese 0,74 sin decir de cuándo es y con qué tecnología se midió es citar mal. Lo digo sabiendo que lo he hecho yo.
Pero hay un contrapeso, y es el que decide tu presupuesto
En 2024, un estudio con 197 adultos comparó voz sintética moderna con locución profesional — no con una persona cualquiera grabando, con un locutor de verdad. Y 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.
Y como el mismo metaanálisis de 2021 dice que ni el gesto, ni la mirada, ni la expresión facial del avatar mueven el aprendizaje, la conclusión para quien produce con presupuesto de una persona es bastante clara:
Si solo puedes pagar una cosa, paga la voz. No un avatar más realista.
Un extra de ese estudio de 2024, por si te toca de cerca: el acento extranjero ya no penaliza con los motores modernos. En 2003 sí lo hacía.
Lo que sí rinde, y cuesta cero
Aquí está el dato que, si te llevas solo uno, quiero que sea este.
Escribir en estilo conversacional —«tus pulmones» en vez de «los pulmones», «vas a ver» en vez de «se observará»— tiene en el recuento de Mayer 13 de 15 tests positivos y una mediana de d = 1,00.
Cinco veces el efecto de salir tú en pantalla. Sin cámara, sin herramienta, sin presupuesto. Solo escribiendo distinto.
Y la segunda con más recorrido: que el avatar gesticule y mire. Encarnación, se llama: 16 de 17 tests, mediana d = 0,58. Y lo que cuenta es el movimiento, no quién lo hace: una figura quieta y hierática — avatar o persona — rinde peor que una que gesticula y mira a cámara.
Dos avisos de diseño
Realismo alto o claramente estilizado, nunca a medias. El valle inquietante existe, y está medido: en un metaanálisis en red con 13 estudios y 2.343 participantes, los avatares de realismo medio son los que más incomodan. Curiosamente, en resultados de aprendizaje no se ha demostrado que penalicen — pero la percepción afecta a tu marca aunque no afecte al examen.
No incrustes subtítulos por defecto. Añadir texto en pantalla a un vídeo narrado suele restar, no sumar: es el principio de redundancia, con una mediana de d = 0,10 y signo negativo. Ponlos activables, por accesibilidad, que es otra conversación y una que sí hay que tener. Y hay una excepción documentada: cuando quien aprende no domina el idioma del vídeo, ahí sí ayudan.
La cifra que ordena todas las demás
Vuelvo al estudio de los 447 adultos, porque tiene un dato que puse aparte a propósito.
El hecho de que el vídeo estuviera generado por IA explicaba −0,01 de la nota del examen.
El tema del vídeo explicaba diferencias de hasta −0,72.
Setenta veces más. Qué enseñas y cómo lo has estructurado pesa incomparablemente más que con qué lo has grabado. Si dedicas más tiempo a elegir avatar que a escribir el guion, estás optimizando la variable equivocada.
Es la misma conclusión a la que llegué por el lado del dinero: producir se ha abaratado dos órdenes de magnitud y el guion no ha bajado ni un euro. El diseño ha pasado de ser el 40% del proyecto a ser el 90%.
Y ahora los límites, que son grandes
No quiero que salgas de aquí con más confianza de la que la evidencia permite.
- Todo son microvídeos. Palabras de inglés, conceptos de gestión de cinco minutos, la formación del rayo. Un curso de cuarenta minutos sobre negociación no está cubierto por esta evidencia.
- 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 efecto de novedad.
- Nada en español. Toda la evidencia de voz sintética que he podido verificar está en inglés. Los motores neuronales no rinden igual en todos los idiomas y ese diferencial no está medido.
- Ni un solo estudio controlado sobre doblaje automático con resultados de aprendizaje. Si alguien te vende doblaje con IA como pedagógicamente equivalente, no tiene con qué respaldarlo. Véndelo —y cómpralo— como acceso y coste, que ya es mucho.
Y un aviso sobre las fuentes: algunos de los estudios más favorables a la IA los difunde comercialmente un fabricante de avatares. El estudio puede ser perfectamente bueno; la difusión selectiva no lo es. Merece la pena mirar quién paga antes de citar.
En resumen
- Un vídeo con avatar de IA enseña lo mismo que uno grabado con una persona: cuatro experimentos aleatorizados, y en el mayor (447 adultos) el efecto sobre el examen fue de −0,01.
- Gusta algo menos (−0,16), aunque depende del contenido: en dos de cuatro temas prefirieron el de IA.
- Salir en pantalla mientras hay algo importante que mirar aporta poco y compite con ello (d = 0,19, con 3 de 7 tests negativos). Es una decisión de cuándo, no de si.
- Con dos excepciones que la evidencia no mide: cuando la autoridad es la persona y cuando lo que marca la diferencia es cómo lo cuenta. Ahí, cámara.
- La regla clásica de la voz es de 2003 y está contradicha por cuatro réplicas. Pero una locución profesional sí sigue ganando a la sintética.
- Si solo puedes pagar una cosa, paga la voz.
- Escribir en estilo conversacional rinde cinco veces más que tu cara, y cuesta cero.
- El tema explicaba −0,72 de la nota; el ser generado por IA, −0,01. El guion manda.
- Y la comparación que toca: lo que sustituye un avatar no es a un formador, es al módulo de texto con botón de «siguiente» que se entregaba cuando no había dinero para grabar. Se llega más lejos con los mismos recursos.
Me quedo con esto: la pregunta que me quitaba el sueño —si el avatar enseñaba menos— resultó estar mal planteada. El avatar era la variable pequeña.
La grande sigue siendo la de siempre, la que no se automatiza y la que llevo veinte años haciendo: decidir qué merece la pena enseñar y en qué orden.
→ ¿Estás montando vídeo formativo y no sabes dónde poner el dinero? Escríbeme y lo miramos con tu caso: qué merece locución, qué se puede sintetizar y dónde está el guion que no se sostiene.
Preguntas frecuentes
¿Se aprende menos con un vídeo hecho con avatar de IA?
La evidencia disponible dice que no. Cuatro experimentos aleatorizados desde 2023 encuentran aprendizaje equivalente; en el mayor, con 447 adultos, el efecto sobre la nota del examen fue prácticamente cero. La diferencia aparece en la experiencia subjetiva, ligeramente peor con IA.
¿Es mejor la voz humana que la sintética?
Depende de con qué voz humana compares. Los motores neuronales actuales rinden como una persona corriente grabando; una locución profesional sí obtiene mejores resultados de retención y transferencia. La regla clásica que dice que la voz humana siempre gana se midió con sintetizadores de 2003.
¿Merece la pena salir en pantalla?
Depende del momento. Mientras hay información visual importante en pantalla aporta poco, porque compite con ella: el efecto medio es pequeño y en varios estudios resultó negativo. 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.
Referencias: Netland, von Dzengelevski, Tesch y Kwasnitschka (2025), vídeos humanos frente a generados por IA, Computers & Education · Leiker, Gyllen, Eldesouky y Cukurova (2023), instructor grabado frente a personaje generado, AIED · Beege, Schroeder, Heidig, Rey y Schneider (2023), metaanálisis sobre la presencia del instructor, Educational Research Review · Castro-Alonso, Wong, Adesope y Paas (2021), metaanálisis de agentes pedagógicos, Educational Psychology Review · Craig y Schroeder (2017), voces sintéticas modernas frente a antiguas, Computers & Education · Dinçer (2022), voz humana y voz de máquina, Journal of Pedagogical Research · Siegle y Craig (2024), locución profesional frente a voz sintética, Journal of Computer Assisted Learning · Tao, Liu, Qiu y Li (2025), realismo del avatar y valle inquietante, Frontiers in Psychology · Mayer (2023), principios de diseño multimedia.
