Frontera Universitaria
Universidades ante la IA: el examen que ya no ve lo que cree medir
- La inteligencia artificial generativa no canceló la evaluación universitaria, pero sí volvió insuficiente una vieja comodidad: calificar productos terminados sin mirar cómo se construyó el pensamiento que los sostiene.
Por Raúl Contreras Zubieta Franco*
Una tarea bien escrita ya no dice lo que decía antes. Puede mostrar lectura, orden, argumento y dominio del tema, pero también puede ocultar atajos, dependencia, simulación o simple habilidad para pedirle a una herramienta que piense demasiado por quien debía hacerlo. Eso, por lo menos, debería inquietarnos.
Durante años se ha evaluado como si el producto final fuera una ruta razonablemente confiable hacia el aprendizaje tomando como base, por ejemplo, el ensayo, el reporte, la presentación y otros productos más. La inteligencia artificial generativa (IA) ha quebrado esa confianza sin pedir permiso. No porque todo estudiante haga trampa, sino porque hoy resulta más difícil saber qué parte de una tarea realmente evidencia comprensión, qué parte edición asistida y qué parte sólo reproduce una respuesta razonable.
La raíz de este problema no es la vigilancia o, aunque algunas instituciones insistan en tratarlo así mediante detectores, advertencias y reglamentos que, si bien pueden servir en ciertos casos, no alcanzan para resolverlo. La pregunta de fondo es otra como, ¿qué significa evaluar cuando la apariencia de competencia puede producirse sin que exista aprendizaje equivalente?
La OCDE (2026) lo ha advertido: la IA generativa puede apoyar el aprendizaje si se usa con principios pedagógicos claros, pero también advierte que mejorar el desempeño observable no significa, por sí mismo, aprender más. Esa diferencia sutil, por incómoda que sea, debería preocupar a cualquier universidad, ya que un texto más limpio no siempre revelará una mente más clara, una solución correcta no siempre probará que el estudiante tiene las competencias para resolver un problema complejo.
Entonces, la evaluación universitaria necesita dejar de mirar sólo el resultado y observar meticulosamente el proceso. Con esto, no insinúo nostálgicamente que vuelvan los tiempos del examen cerrado, vigilado y silencioso. Tampoco apunto a prohibir el uso de la IA, como si la universidad pudiera cercar una práctica que ya ocurre en sus aulas, bibliotecas, chats y demás espacios.
La conversación planteada en clave educativa por Ramírez Martinell, Medina Gual, Pisanty Baruch, Garduño Téliz y Martínez Rámila (2024), nos trasmite que las inteligencias artificiales generativas no son sólo herramientas técnicas, sino parte de una transformación en las formas de producir, revisar y circular conocimiento.
Siguiendo esa misma lógica, la evaluación no puede limitarse a preguntar si el estudiante usó, o no, alguna herramienta de IA. En todo caso, tendría que revisar cómo, para qué o con qué criterio la utilizó y qué puede defender de ese conocimiento sin la herramienta a mano.
Una posible ruta que permite transparentar los grados de intervención nos la presentan Perkins, Furze, Roe y MacVaugh (2024), quienes proponen la AI Assessment Scale como un marco para distinguir cuándo estas herramientas digitales deben usarse, cuándo pueden apoyar tareas acotadas y cuándo forma parte explícita del diseño de evaluación.
La idea es atractiva y útil porque evita caer en la falsa dicotomía de la prohibición absoluta frente a la permisividad total, pues, entre una y otra hay decisiones pedagógicas que cada programa, asignatura y docente debe poder justificar.
En México, esa discusión es algo más delicada, pues el acceso a la educación del nivel superior no borra las desigualdades digitales. Frente a esa realidad, Casillas Alvarado, Ramírez Martinell y Ortiz Méndez (2014) proponen el concepto de capital tecnológico, mediante el cual es posible observar tales desigualdades: posesión, incorporación y movilización de recursos digitales.
Considero que esa mirada no sólo es siendo pertinente, sino necesaria, pues, no todos nuestros estudiantes llegan al nivel superior con las mismas condiciones para utilizar herramientas de IA con criterio. Mientras unos la aprovecharán para explorar, contrastar, ensayar y mejorar, otros lo harán, a penas, para copiar una respuesta con apariencia académica. Evaluar a todos bajo esa desigualdad distará de ser un ejercicio neutral y equilibrado.
Por lo tanto, la universidad mexicana necesita discutir la evaluación con profunda seriedad institucional. No bastará con dejar al profesor solo frente al dilema de permitir-prohibir, sospechar-improvisar. Sino que se requerirán de criterios diferenciados por programa, rediseño de actividades, defensa oral de productos complejos, dinámicas en el aula, rúbricas que valoren juicio crítico y espacios donde el estudiante explique cómo llegó a una respuesta.
La evaluación debe comenzar a mirar las huellas del pensamiento y no sólo a fijar la atención sobre las superficies pulidas y brillantes.
La irrupción de herramientas de inteligencia artificial en frente educativo nos ha ayudado a exhibir esa pobreza de visión con mayor velocidad. Si una actividad puede resolverse en segundos sin comprensión real, el problema no está únicamente en la herramienta y su uso, sino en el diseño pedagógico.
La UNESCO (2023) ha insistido en que los sistemas educativos deben desarrollar políticas, capacidades humanas y marcos de uso responsable para la inteligencia artificial generativa. En el terreno universitario eso significa que la evaluación no puede seguir sustentándose en la sospecha individual ni en los ajustes tardíos. Debe discutirse como un asunto institucional sobre aprendizaje, autoría, equidad y responsabilidad académica.
La evaluación que hoy día realice una universidad en este frente debería partir de preguntas distintas como qué aprendizajes necesitan verificación sin ayuda tecnológica; qué usos son legítimos porque permiten al estudiante acercarse al mundo profesional que le espera a su egreso; qué tareas deben rediseñarse porque ya no miden lo que dicen medir; qué parte de la evaluación debe ser producto, qué parte proceso y qué parte defensa argumentada.
Vamos, dicho de llanamente, la IA no ha destruido a la evaluación universitaria, simplemente la obligó a confesar sus debilidades y le ha indicado la ruta para fortalecerse.
No hay duda de que el examen, la tarea y el ensayo seguirán ahí, pero no podrán más seguir fingiendo inocencia. En adelante, evaluar no implicará únicamente calificar las entregas del estudiante, sino comprobar si con voz propia puede sostener el pensamiento que afirme haber construido.
* Doctorando en Ambientes y Sistemas Educativos Multimodales; Premio Nacional de Periodismo 2024; CAMPUS Consulting.
Referencias
Casillas Alvarado, M. A., Ramírez Martinell, A., & Ortiz Méndez, V. (2014). El capital tecnológico, una nueva especie del capital cultural: una propuesta para su medición. En A. Ramírez Martinell & M. A. Casillas Alvarado (Coords.), Háblame de TIC: Tecnología digital en la educación superior (pp. 23–38). Editorial Brujas/SocialTIC.
Organisation for Economic Co-operation and Development. (2026). OECD Digital Education Outlook 2026: Towards an effective digital education ecosystem. OECD Publishing.
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS): A framework for ethical integration of generative AI in educational assessment. Journal of University Teaching and Learning Practice, 21(6).
Ramírez Martinell, A., Medina Gual, L., Pisanty Baruch, A., Garduño Téliz, E., & Martínez Rámila, K. P. (2024). Inteligencias artificiales generativas en la educación: conversación educativa. Revista Paraguaya de Educación a Distancia, 5(2), 76–84. https://doi.org/10.56152/reped2024-dossierIA1-art7
UNESCO. (2023). Guidance for generative AI in education and research. United Nations Educational, Scientific and Cultural Organization.
