Una nueva investigación revela que los estudiantes tienen miedo de declarar permitido el uso de la IA, mientras que las evaluaciones luchan por distinguir el aprendizaje genuino del trabajo generado por máquinas. Las universidades deben demostrar que sus políticas son justas, efectivas y capaces de corregir fallas antes de que se socave la confianza en los títulos, dice Vendan Ananda Kumararajah.
Algunos estudiantes dicen que evitarían declarar el uso de la IA en trabajos evaluados incluso cuando las reglas lo permitan. Temen que la declaración pueda generar sospechas sobre su trabajo y costarles puntos. Ese hallazgo, de una investigación publicada la semana pasada, brinda a las universidades una forma de probar si sus políticas de IA funcionan. Si los estudiantes se muestran reacios a informar el uso permitido, ¿qué cambiarán las instituciones y cómo sabrán que los estudiantes se sienten más seguros al revelarlo?
La Oficina de Estudiantes (OfS), que regula la educación superior en Inglaterra, llevó a cabo la investigación con Advance HE. Se basa en las opiniones de 244 miembros del personal de educación superior y 91 estudiantes y representantes estudiantiles de al menos 127 instituciones, con contribuciones de todo el Reino Unido. Los participantes se autoseleccionaron, por lo que los hallazgos no pueden decirnos qué tan extendidos están estos problemas. Sin embargo, sí muestran dónde pueden buscar las universidades las debilidades de sus propios acuerdos.
En febrero, sostuve que los estudiantes necesitaban reglas claras sobre qué ayuda podían utilizar y los profesores necesitaban apoyo institucional para aplicarlas. Algunos estudiantes en la nueva investigación describieron expectativas que cambiaron o variaron entre departamentos y personal. Esto expone una debilidad práctica en la gobernanza basada en la divulgación. Una declaración depende de que los estudiantes comprendan lo que está permitido y confíen en la forma en que se aplican las reglas. Cuando los estudiantes temen que declarar el uso permitido les perjudique, las instituciones deben averiguar el motivo antes de solicitar más divulgación.
La evaluación presenta un problema más fundamental. El informe describe tareas no supervisadas que la IA puede completar con un alto nivel sin que el estudiante demuestre el conocimiento o la habilidad que se evalúa. También advierte contra darle demasiada importancia a las herramientas de detección de IA y confiar en procedimientos de mala conducta para compensar las debilidades en la forma en que se diseñan las tareas. Cuando una tarea ya no puede establecer lo que entiende un estudiante, la responsabilidad se extiende a quienes la diseñan, aprueban y retienen.
La Universidad de Bath cambió su enfoque después de descubrir que usos específicos de la IA en una categoría de evaluación no podían controlarse de manera confiable y justa. En septiembre de 2026 separó las evaluaciones en las que los estudiantes no tienen acceso a la IA de aquellas diseñadas bajo el supuesto de que los estudiantes pueden usarla. Bath enfatiza que incluso un examen sin IA debe probar lo que el curso pretendía enseñar. Un examen puede ser seguro y aun así probar algo incorrecto. Una tarea que permita la IA puede ser valiosa si muestra lo que los estudiantes entienden y pueden hacer.
Bath demuestra que la experiencia puede cambiar las reglas. El seguimiento consiste en determinar si las evaluaciones revisadas son más justas y ofrecen a los profesores una mejor base para juzgar lo que han aprendido los estudiantes. Eso requerirá evidencia de la ejecución de las evaluaciones.
El informe también describe el lanzamiento por parte de la Universidad de Kent de una plataforma de inteligencia artificial con licencia en marzo de 2026. El uso es opcional y los estudiantes que quieran acceder deben completar la capacitación primero. Kent muestra cómo una universidad puede ofrecer una herramienta y preparar a los estudiantes para utilizarla de manera responsable. Quedan dudas sobre el acceso. Las universidades deben comprobar si los estudiantes que no pueden permitirse herramientas premium o que optan por trabajar sin IA pueden seguir participando de forma justa. También deberían considerar cómo los cambios en las evaluaciones afectan la accesibilidad.
La cuestión más profunda de la gobernanza es qué hacen las instituciones con lo que descubren. La corrección efectiva requiere una decisión identificable, alguien responsable de llevarla a cabo y evidencia de que la respuesta abordó el problema.
La misma prueba se aplica cuando una universidad utiliza IA para dar retroalimentación. Supongamos que los estudiantes encuentran repetidamente errores en los comentarios que reciben. Alguien debe tener la autoridad para investigar y pausar el uso de la herramienta, y los estudiantes afectados necesitan apoyo. Antes de continuar, la universidad debería poder decir qué ha verificado y qué le da confianza de que los estudiantes recibirán comentarios precisos.
La OfS ya ha establecido cómo responderá a la investigación, incluida la aclaración de cómo se aplican sus requisitos en el contexto de la IA, compartiendo ejemplos de prácticas efectivas y realizando más investigaciones. Advance HE ha anunciado planes para ayudar a las instituciones miembros a desarrollar sus estrategias a través de un programa a principios de 2027. Muchos participantes pidieron una orientación más clara sobre los requisitos existentes. Algunos expresaron su preocupación de que una regulación adicional pudiera limitar la innovación. Hay argumentos creíbles para esa moderación. Se vuelve más fuerte cuando las universidades pueden demostrar que los acuerdos existentes les permiten actuar cuando una herramienta o evaluación falla.
Las universidades deben explicar quién actuará sobre los hallazgos, cuándo se revisará el progreso y qué cambió como resultado. Si persisten reglas poco claras, evaluaciones débiles y apoyo desigual, los estudiantes pueden llegar a pensar que obtener buenos resultados depende de la tecnología a la que pueden acceder o de los riesgos que están dispuestos a asumir. Las universidades piden a los estudiantes que fundamenten su trabajo. Ahora deberían aplicar la misma disciplina a sus propias decisiones en materia de IA.

Vendan Ananda Kumararajah es un arquitecto de transformación y pensador de sistemas reconocido internacionalmente. Creador del Modelo A3, un marco cibernético de nuevo orden que une la ética, la conciencia de la distorsión y la agencia en la IA y la gobernanza, une la antigua filosofía tamil con la ciencia de sistemas contemporánea. Miembro del Chartered Management Institute y autor de Navigating Complexity and System Challenges: Foundations for the A3 Model (2025), Vendan está redefiniendo cómo la inteligencia, la gobernanza y la ética se interconectan en una era de tecnologías autónomas.
LEER MÁS: Es hora de desconectar a los peligrosos agentes de IA. Según un nuevo informe, un agente de Anthropic AI intentó introducir código malicioso en software durante una prueba de seguridad del gobierno del Reino Unido a pesar de reconocer el daño potencial. El ataque fue frustrado, pero futuros intentos podrían tener éxito, exponiendo a personas y empresas a graves amenazas cibernéticas. Para evitar esto, los operadores de IA deben restringir urgentemente el acceso de los agentes a sistemas externos y retirarlo cuando surja un comportamiento peligroso, dice Vendan Ananda Kumararajah.
¿Tiene noticias para compartir o experiencia para contribuir? El europeo acoge con agrado las opiniones de líderes empresariales y especialistas del sector. Póngase en contacto con nuestro equipo editorial para obtener más información.
Imagen principal: Producción Kampus / Pexels