IA en educación superior: del piloto a la capacidad

La inteligencia artificial ya está dentro de las instituciones de educación superior de América Latina y el Caribe. Lo que todavía no está igual de extendido es la capacidad para saber si funciona. Un estudio regional de UNESCO IESALC , desarrollado con apoyo de UNU-IAS, reunió respuestas de 200 instituciones de 19 países. El 87% declaró utilizar IA en al menos un área, el 74% en enseñanza y aprendizaje y el 57% en investigación. Sin embargo, solo el 26% informó contar con una estrategia formal, el 8% con presupuesto específico y el 9% con mecanismos formales de evaluación. La distancia es incómoda: la adopción avanza más rápido que la estrategia, los recursos y la evidencia. Dicho de otro modo, muchas instituciones ya tienen usos de IA, pero pocas pueden demostrar con suficiente claridad qué problema resolvieron, cuánto costaron, qué riesgos introdujeron y si conviene escalarlos. Ese es el foco de la siguiente etapa. La pregunta ya no es solamente quién gobierna la IA —un debate necesario y ampliamente instalado—, sino cómo una institución convierte pilotos dispersos en una capacidad que aprende, mide y corrige. Lo que estos datos permiten decir —y lo que no Las cifras son una señal regional potente, pero necesitan cautela. La encuesta fue levantada entre agosto y octubre de 2025 y recoge información autorreportada por instituciones. No es un censo de toda la educación superior latinoamericana ni permite afirmar que el 87% de las instituciones chilenas use IA. Tampoco verifica la calidad de cada implementación. “Usar IA” puede significar realidades muy distintas: docentes que emplean una herramienta por iniciativa propia, licencias contratadas institucionalmente, asistentes para tareas administrativas, sistemas de apoyo a la investigación o pilotos en servicios estudiantiles. Ponerlos bajo una misma categoría muestra difusión, no madurez. Algo similar ocurre con el 9% que reporta evaluación formal. La cifra no demuestra que el resto jamás revise sus experiencias. Algunas unidades pueden recoger comentarios, tasas de uso o incidentes sin contar todavía con un sistema institucional. Lo que sí revela es una brecha de formalización: la evaluación sigue siendo excepcional frente a la velocidad de adopción. Por eso, el titular no debería leerse como una condena. Es una advertencia de diseño. Si la IA se extiende sin preguntas evaluativas, las instituciones pueden acumular herramientas y pilotos sin acumular conocimiento. Un piloto no es evidencia por el solo hecho de existir En innovación educativa, la palabra “piloto” suele transmitir prudencia. Parece indicar que la institución está probando antes de escalar. Pero no todo piloto produce aprendizaje útil. Un piloto puede reunir a muchas personas, registrar cientos de interacciones o recibir comentarios positivos y, aun así, no responder si mejoró algo relevante. El número de usuarios muestra alcance. La satisfacción informa una experiencia. Ninguno de los dos demuestra por sí solo aprendizaje, calidad, equidad, ahorro de tiempo o mejora de decisiones. Para que una prueba sea realmente evaluable necesita, antes de comenzar, al menos cinco definiciones: qué problema intenta resolver, para quién, en comparación con qué situación inicial, mediante qué mecanismo espera producir una mejora y qué resultado permitiría decidir su futuro. Sin esa base, la evaluación llega tarde y se limita a reconstruir una historia favorable. Se pregunta a quienes participaron si les gustó, se cuentan actividades y se presenta la continuidad como prueba de éxito. La institución aprende poco porque nunca dejó claro qué evidencia podía contradecir su entusiasmo inicial. Del uso disperso a una escalera de madurez La capacidad institucional no aparece de una vez. Puede pensarse como una escalera de cinco niveles. 1. Adopción dispersa Docentes, estudiantes, investigadores y equipos administrativos usan herramientas por iniciativa propia. La institución no conoce todos los usos, los datos involucrados ni las decisiones apoyadas por IA. Hay aprendizaje individual, pero también riesgos invisibles y reglas contradictorias. El objetivo en este nivel no es prohibir. Es construir un inventario razonable: dónde se usa IA, con qué propósito, qué información procesa y qué nivel de impacto podría tener. 2. Exploración visible Aparecen orientaciones, capacitaciones y pilotos reconocidos. La institución comienza a conversar sobre privacidad, integridad académica, sesgos y supervisión humana. Sin embargo, el avance todavía se mide por talleres, licencias, herramientas disponibles o cantidad de participantes. Aquí la tarea es dejar de contar solo actividad y comenzar a formular hipótesis: “si usamos esta herramienta en este proceso, esperamos mejorar este resultado sin aumentar este riesgo”. 3. Pilotos gobernados Cada iniciativa relevante tiene propósito, responsable, población objetivo, recursos, riesgos, línea base y criterios de éxito. También define quién puede detenerla y bajo qué condiciones. El gobierno deja de ser un comité que aprueba documentos. Se convierte en decisiones operativas: qué usos requieren revisión previa, qué datos no pueden cargarse, qué errores deben registrarse y qué evidencia se exigirá antes de ampliar el alcance. 4. Despliegue medido La institución ya no observa solo adopción. Examina resultados, costos, calidad, equidad, incidentes y experiencia de las personas afectadas. Compara grupos, periodos o procesos cuando el diseño lo permite, y evita atribuir a la IA cualquier cambio simultáneo. En este nivel también existen revisión humana, canales de reclamo y capacidad para rastrear decisiones. Medir beneficios sin medir daños produciría una evaluación incompleta. 5. Capacidad institucional Los aprendizajes de una unidad circulan hacia otras. Los pilotos forman un portafolio priorizado, no una colección de iniciativas independientes. Las autoridades pueden explicar cuáles se escalaron, cuáles se corrigieron, cuáles se cerraron y por qué. La capacidad madura no se reconoce porque todo uso tenga éxito. Se reconoce porque la institución detecta pronto lo que no funciona, evita repetir errores y ajusta sus decisiones con evidencia. El presupuesto también es una prueba de realidad El contraste entre 26% con estrategia formal y 8% con presupuesto específico merece atención. Una estrategia sin recursos puede convertirse en una declaración que delega toda la implementación en el entusiasmo de algunos equipos. El presupuesto no se reduce a licencias. Incluye integración tecnológica, protección de datos, ciberseguridad, formación, soporte, evaluación, accesibilidad, gestión del cambio y tiempo de las personas. También debe considerar el costo de revisar resultados generados por sistemas que pueden equivocarse. Cuando esos recursos no están identificados, la institución puede trasladar costos ocultos a docentes y equipos profesionales: más revisión, más aprendizaje informal, más resolución de incidentes y más responsabilidad sin tiempo adicional. Lo que parece una innovación barata puede sostenerse mediante trabajo invisible. Asignar presupuesto tampoco garantiza calidad. Sí obliga a transparentar prioridades. Si un piloto no merece recursos para medir sus resultados y gestionar sus riesgos, quizá tampoco está listo para crecer. Qué debería medir un piloto de IA No existe un indicador único para todos los usos. Un asistente de retroalimentación, una herramienta de investigación y un sistema administrativo persiguen resultados distintos. Aun así, una ficha mínima puede ordenar la evaluación. Problema y línea base. ¿Qué dificultad concreta existe hoy y cómo se manifiesta antes de incorporar IA? Población y contexto. ¿Quién usará la herramienta y quién podría verse afectado, incluso sin usarla directamente? Resultado esperado. ¿Se busca mejorar aprendizaje, oportunidad de la retroalimentación, calidad de análisis, acceso, tiempo de respuesta o consistencia de un proceso? Calidad del resultado. ¿Cómo se verificarán exactitud, pertinencia, completitud y errores? Equidad y accesibilidad. ¿Los resultados cambian según sede, carrera, modalidad, discapacidad, idioma, género o nivel de alfabetización digital? Costo total. ¿Cuánto cuestan licencia, integración, soporte, revisión humana, formación y gestión de incidentes? Riesgos e incidentes. ¿Qué datos se exponen, qué sesgos aparecen, qué decisiones pueden impugnarse y quién responde? Criterio de salida. ¿Qué evidencia permitirá escalar, rediseñar, pausar o cerrar? Esta última pregunta suele faltar. Sin una regla de salida, el piloto puede volverse permanente por inercia: ya se pagó, tiene usuarios, alguien lo lidera o resulta difícil reconocer que la promesa inicial no se cumplió. Evaluar resultados sin prometer causalidad Medir no significa convertir cada piloto en un experimento complejo. La exigencia debe ser proporcional al riesgo, la escala y la promesa. Para un uso de bajo riesgo puede bastar con comparar tiempos, revisar una muestra de productos, documentar errores y recoger experiencia de usuarios. Para sistemas que influyen en evaluación, admisión, alertas académicas, beneficios o apoyo psicosocial se necesita una validación mucho más rigurosa, supervisión humana y mecanismos de apelación. El marco de gestión de riesgos de IA del NIST ofrece una secuencia útil —gobernar, mapear, medir y gestionar—, aunque no fue creado como norma específica para la educación superior latinoamericana. Su aporte es recordar que la medición no ocurre aislada: depende de comprender el contexto, asignar responsabilidades y actuar sobre lo encontrado. También conviene separar tres niveles de afirmación. “Las personas usaron la herramienta” describe adopción. “El resultado mejoró durante el piloto” describe una asociación. “La IA causó la mejora” exige descartar explicaciones alternativas. Esta distinción evita que una institución prometa más de lo que su evidencia permite sostener. De los pilotos a un portafolio que aprende Evaluar cada experiencia por separado no basta. Una institución puede tener diez pilotos bien documentados y seguir sin una estrategia coherente si todos persiguen objetivos similares, dependen del mismo proveedor o compiten por las mismas capacidades. Una revisión de portafolio debería preguntar: ¿qué problemas institucionales concentran los usos de IA?; ¿qué áreas, sedes o grupos están quedando fuera?; ¿qué iniciativas duplican funciones?; ¿qué riesgos se repiten entre proyectos?; ¿qué capacidades pueden compartirse?; ¿qué dependencia contractual o tecnológica se está acumulando?; ¿qué resultados justifican expansión y cuáles aconsejan detenerse? Esta conversación conecta IA con planificación, calidad y presupuesto. También permite que las lecciones de un piloto no mueran cuando cambia el equipo que lo impulsó. UNESCO IESALC recomienda incorporar mecanismos de monitoreo y evaluación, estructuras específicas de gobernanza, representación estudiantil y financiamiento para fortalecer capacidades. La recomendación es pertinente porque uno de cada dos estudiantes encuestados declaró confusión sobre el uso adecuado de IA. No basta con evaluar sistemas desde una oficina: las personas que aprenden, enseñan, investigan y trabajan con ellos deben participar en la definición de problemas y criterios. La señal de madurez no es usar más IA Una institución madura no es la que acumula más licencias, pilotos o comunicados. Es la que puede responder, con evidencia, cuatro preguntas: qué problema intenta resolver, qué resultados obtuvo, qué riesgos produjo y qué decisión tomó después. El 87% de adopción muestra que la IA ya no está esperando autorización para entrar. El 26% con estrategia, el 8% con presupuesto y el 9% con evaluación formal muestran que la institucionalización avanza mucho más lento. Cerrar esa brecha no exige detener toda experimentación hasta tener un modelo perfecto. Exige diseñar mejores pruebas, asignar recursos, documentar errores y aceptar que algunas iniciativas no deben escalar. La innovación responsable también consiste en abandonar una herramienta cuando no crea suficiente valor o cuando sus costos y riesgos superan sus beneficios. El desafío no es pasar del piloto a la compra masiva. Es pasar del piloto al aprendizaje institucional. Solo entonces la IA deja de ser una suma de usos y se convierte en una capacidad que la institución puede explicar, evaluar y mejorar. Si quieres seguir profundizando en inteligencia artificial, calidad y gestión educativa, regístrate gratis en InnovacionAcademica.org. Encontrarás recursos y conversaciones para transformar la experimentación tecnológica en decisiones institucionales con propósito y evidencia. Fuentes consultadas UNESCO IESALC — Nuevo estudio revela una amplia adopción de la IA en la educación superior de América Latina y el Caribe, pero rezago en la gobernanza . UNESCO IESALC y UNU-IAS — Implementación de la Inteligencia Artificial en la Educación Superior en América Latina y el Caribe . UNESCO IESALC — página oficial de la publicación . National Institute of Standards and Technology — AI Risk Management Framework . Carlos Figueroa Rojas / Wikimedia Commons — fotografía de portada, CC BY-SA 4.0 .