Un asistente de inteligencia artificial desarrollado en la Universidad Miguel Hernández de Elche (UMH) ayuda al alumnado de Ingeniería a dar uno de los saltos más difíciles en el aprendizaje de la programación: pasar de lenguajes de alto nivel —como Python, Java o C++, diseñados para resultar relativamente comprensibles para las personas— a un lenguaje mucho más próximo al código máquina que ejecuta el procesador. El asistente, denominado CODE2_AI, puede utilizarse en los ordenadores del aula, sin conexión a Internet ni envío de datos a servicios externos, y su código está disponible en abierto. El trabajo publicado en la revista Computer Applications in Engineering Education  evalúa el funcionamiento técnico del sistema. Su posible efecto sobre el aprendizaje deberá estudiarse en una fase posterior.

“Los lenguajes de programación de alto nivel, como Python, Java o C++, permiten expresar de forma comprensible para una persona qué queremos que haga el ordenador”, explica el profesor de Arquitectura y Tecnología de Computadores de la UMH Federico García Crespi, creador de la herramienta, “mientras que distintos mecanismos de traducción permiten transformar esas instrucciones en representaciones cada vez más próximas a las que puede ejecutar el procesador”.

En último término, el procesador ejecuta código máquina: instrucciones codificadas mediante bits, valores que solo pueden ser 0 o 1 y que, físicamente, se representan mediante estados eléctricos en los circuitos del computador. Estas largas secuencias binarias resultarían muy difíciles de escribir y leer tal cual para una persona. El lenguaje ensamblador evita trabajar directamente con ellas y utiliza nombres breves para representar las operaciones que puede realizar una determinada arquitectura, pero obliga a especificar con mucha precisión cada operación.

“Es un cambio importante en la forma de pensar”, explica García Crespi. “El estudiante puede saber perfectamente qué quiere hacer y, sin embargo, quedarse bloqueado cuando tiene que traducir esa idea a las instrucciones concretas que entiende la arquitectura”.

Uno de los problemas pedagógicos que CODE2_AI pretende abordar es la carga cognitiva. En concreto, la sobrecarga mental que se produce durante el aprendizaje de algo muy complejo. Cuando empieza a programar en ensamblador, el alumnado tiene que resolver el problema y, al mismo tiempo, recordar los registros disponibles, las posiciones de memoria, las instrucciones de comparación y de salto, así como una sintaxis muy estricta. “Todo ello compite por nuestra memoria de trabajo”, relata García Crespi, “es decir, por la capacidad limitada de las personas para mantener y manejar varias informaciones a la vez mientras resolvemos una tarea”. Esta acumulación puede producir algo parecido al ‘síndrome de la página en blanco’: el estudiante entiende el problema, pero no sabe cómo empezar a convertirlo en código.

Por el momento, esa reducción de la carga cognitiva es una hipótesis pedagógica que aún debe comprobarse. El estudio publicado evalúa el funcionamiento técnico de CODE2_AI y muestra buenos resultados en la exactitud de las instrucciones generadas, la reducción del tiempo de respuesta y la posibilidad de ejecutar el modelo localmente en ordenadores convencionales. Sin embargo, todavía no permite afirmar que su uso mejore el aprendizaje ni el rendimiento académico del alumnado.

El sistema desarrollado en la UMH utiliza un modelo T5-Small entrenado específicamente para el lenguaje de programación CODE-2 con 50.000 ejemplos de tareas y sus correspondientes instrucciones. Después, la inteligencia artificial se optimizó para ejecutarse directamente en ordenadores convencionales, utilizando únicamente su procesador (CPU), sin necesidad de una tarjeta gráfica especializada ni de conectarse a servicios en la nube.

La elección de un modelo pequeño y especializado responde también a un problema de ingeniería: una herramienta pensada para utilizarse de forma simultánea por numerosos estudiantes en un laboratorio debe ofrecer respuestas rápidas sin exigir una infraestructura de cálculo costosa. Ejecutar la IA en el propio ordenador evita depender de servicios externos, elimina los costes asociados a su uso y permite que los datos introducidos por el alumnado permanezcan dentro del equipo o de la infraestructura universitaria.

 Precisamente por eso, uno de los objetivos técnicos de este trabajo ha sido lograr que el asistente funcione únicamente con la CPU de equipos convencionales de laboratorio y no dependa de que cada estudiante disponga de hardware especializado. “Poder probar y mejorar el sistema en el aula hubiera sido imposible sin la colaboración del alumnado de Arquitectura de Computadores de la UMH, a quienes agradezco especialmente su participación durante todo este proceso”.

Las herramientas de inteligencia artificial ya son capaces de generar fragmentos de código y automatizar parte del trabajo de programación. Para García Crespi, esto hace cada vez más importante aprender a evaluar críticamente lo que genera una máquina. “Por eso, la herramienta no está diseñada para que el alumnado copie automáticamente el resultado”, apunta el profesor, “el estudiante debe comprobar, ejecutar y justificar lo que obtiene”.

Tras evaluar técnicamente el sistema y probarlo en el aula, uno de los siguientes pasos será estudiar su efecto pedagógico y comparar el aprendizaje de los estudiantes que utilizan el asistente con el de quienes realizan las prácticas sin esta ayuda. “Estamos preparando una evaluación con actividades de predicción, ejecución y verificación, pero aún no podemos afirmar que mejore los resultados académicos del alumnado”, adelanta García Crespi.

CODE2_AI, el asistente de inteligencia artificial objeto del artículo, puede probarse directamente a través de la demostración web Code2_AI: el usuario escribe en lenguaje natural qué quiere hacer y recibe las instrucciones correspondientes en ensamblador CODE-2. El código completo del proyecto está publicado en GitHub, lo que también permite acceder a la versión preparada para su ejecución local.

Referencia: García Crespi, F. (2026). Engineering a Scalable Laboratory Infrastructure for Assembly Language Scaffolding: Design and Deployment of a Locally Optimized GenAI Assistant for the CODE-2 Educational Architecture. Computer Applications in Engineering Education, 34(3), e70196. https://doi.org/10.1002/cae.70196