IA en educación superior: decisión de gobierno

La inteligencia artificial ya no puede tratarse como una herramienta más de innovación o transformación digital. Para las instituciones de educación superior, se está convirtiendo en una decisión de gobierno: afecta reputación, calidad académica, equidad, datos, cumplimiento normativo, ciberseguridad y sostenibilidad futura. Durante los últimos meses, muchas instituciones de educación superior han avanzado rápidamente en conversaciones, talleres, pilotos y lineamientos sobre inteligencia artificial. En algunos casos, la pregunta dominante ha sido práctica: qué herramientas usar, cómo orientar a docentes, cómo detectar usos indebidos, qué hacer con ChatGPT en evaluaciones o qué plataforma conviene contratar. Son preguntas necesarias, pero insuficientes. La IA dejó de ser solo un asunto de tecnología educativa. También dejó de ser un tema exclusivo de innovación, transformación digital o apoyo docente. Cuando una herramienta puede influir en decisiones académicas, evaluación de aprendizajes, producción de conocimiento, gestión de datos, experiencia estudiantil, reputación institucional y relación con reguladores, el tema entra inevitablemente al terreno del gobierno institucional. La pregunta de fondo ya no es si una institución debe usar IA. Esa discusión, en buena medida, ya fue superada por la práctica cotidiana. La pregunta más relevante es otra: ¿quién gobierna la IA dentro de la institución, con qué criterios, con qué información, con qué límites y con qué mecanismos de rendición de cuentas? Responder bien esa pregunta será cada vez más importante para rectorías, juntas directivas, consejos superiores, secretarías generales, vicerrectorías, direcciones de calidad, áreas jurídicas, unidades académicas y equipos de tecnología. Porque la IA no solo abre oportunidades. También distribuye responsabilidades. El riesgo de dejar la IA en una sola oficina Una forma frecuente de abordar la IA en educación superior ha sido asignarla a un área específica: tecnología, innovación, docencia digital, transformación institucional o desarrollo académico. Esa decisión puede ser razonable como punto de partida, porque alguien debe coordinar la exploración inicial. El problema aparece cuando la institución confunde coordinación operativa con gobierno estratégico. Si la IA queda solo en manos de un área tecnológica, puede reducirse a contratación de plataformas, integración de sistemas y soporte. Si queda solo en innovación, puede transformarse en una colección de pilotos. Si queda solo en docencia, puede concentrarse en evaluación, integridad académica y formación docente, dejando fuera datos, ciberseguridad, cumplimiento normativo y sostenibilidad financiera. Si queda solo en comunicaciones, puede terminar convertida en relato reputacional. La IA cruza todas esas dimensiones, pero no pertenece por completo a ninguna. Por eso requiere una arquitectura de gobierno transversal. No para burocratizar la innovación, sino para evitar que decisiones sensibles se tomen de manera fragmentada, informal o reactiva. Una institución puede tener docentes experimentando con IA generativa, estudiantes usándola para estudiar o producir trabajos, equipos administrativos automatizando procesos, investigadores probando herramientas de análisis y proveedores ofreciendo soluciones para admisión, retención, evaluación, orientación, marketing o gestión académica. Si cada uso avanza por separado, la institución puede terminar acumulando riesgos sin ver el mapa completo. Ahí está el punto: gobernar la IA no significa prohibirla ni frenar su adopción. Significa crear condiciones para usarla con propósito, responsabilidad y evidencia. La IA como riesgo estratégico Los órganos superiores de una institución de educación superior suelen discutir riesgos financieros, reputacionales, regulatorios, académicos y operacionales. La IA entra en todos ellos. Hay riesgos reputacionales cuando una institución comunica innovación, pero no puede explicar cómo protege datos, cómo evita sesgos o cómo resguarda la calidad de las decisiones. Hay riesgos académicos cuando se delegan tareas evaluativas o de retroalimentación sin criterios claros. Hay riesgos de equidad cuando el acceso a herramientas avanzadas depende de la capacidad de pago de estudiantes, docentes o unidades. Hay riesgos legales y normativos cuando se procesan datos personales en plataformas externas sin suficiente revisión. Hay riesgos de ciberseguridad cuando se incorporan sistemas sin evaluación técnica robusta. Y hay riesgos financieros cuando se contratan soluciones costosas sin evidencia de impacto. El NIST AI Risk Management Framework ofrece una referencia útil para pensar estos problemas: propone gestionar riesgos asociados a la IA considerando sus efectos en personas, organizaciones y sociedad, e incorporar la confiabilidad en el diseño, desarrollo, uso y evaluación de sistemas. Aunque fue elaborado en Estados Unidos y no como marco específico para educación superior latinoamericana, su aporte está en cambiar la conversación: la IA no se evalúa solo por lo que permite hacer, sino también por los riesgos que introduce y por la capacidad institucional para gestionarlos. La OCDE también ha insistido en principios para una IA confiable, centrada en las personas, con transparencia, robustez, seguridad y responsabilidad. Ese lenguaje puede sonar distante, pero tiene consecuencias muy concretas para una institución de educación superior. ¿Puede explicar cuándo usa IA? ¿Puede justificar una decisión apoyada por IA? ¿Puede detectar errores o sesgos? ¿Puede responder si un estudiante, docente, trabajador o regulador pregunta cómo se procesaron sus datos? Estas preguntas no son solo técnicas. Son preguntas de gobierno. La calidad académica también está en juego La IA suele discutirse desde la integridad académica: plagio, originalidad, autoría, evaluación y uso de herramientas generativas. Esa conversación es necesaria, pero demasiado estrecha si se limita a detectar o sancionar. La pregunta más estratégica es cómo la IA afecta la calidad de la formación. UNESCO ha puesto atención en la relación entre IA, educación y futuro del aprendizaje, y ha desarrollado marcos de competencias de IA para docentes y estudiantes. Esa señal es importante: el desafío no consiste únicamente en regular herramientas, sino en formar capacidades. Las instituciones de educación superior necesitan que sus comunidades comprendan qué puede hacer la IA, qué no puede hacer, cuáles son sus límites, qué riesgos tiene, cómo se usa de manera ética y cuándo conviene no usarla. Esto afecta al currículum. Algunas carreras deberán incorporar competencias explícitas de uso crítico de IA. Otras deberán revisar perfiles de egreso, metodologías, prácticas profesionales o criterios de evaluación. También afecta a los docentes: no basta con entregarles una lista de herramientas o un taller de prompts. Se requiere formación para rediseñar actividades, evaluar aprendizajes en contextos de IA, orientar el uso responsable y distinguir entre automatización útil y pérdida de sentido pedagógico. Para las instituciones de educación superior técnico-profesional, esta discusión puede ser aún más urgente. La IA está modificando tareas laborales, procesos productivos y expectativas de empleadores. Si los perfiles de egreso no dialogan con esos cambios, la brecha entre formación y mundo del trabajo puede crecer. Pero si la respuesta es solo instrumental —aprender una herramienta de moda—, la formación corre el riesgo de quedar obsoleta rápidamente. La gobernanza académica de la IA debe mirar más allá de la herramienta del momento. Debe preguntarse qué capacidades profesionales, ciudadanas y éticas necesitan desarrollar los estudiantes en un entorno donde los sistemas automatizados serán parte habitual del trabajo, la investigación y la vida institucional. Datos, privacidad y proveedores: una conversación incómoda pero necesaria Muchas decisiones sobre IA se toman en el entusiasmo de la prueba. Una unidad descubre una aplicación útil. Un equipo contrata una licencia. Un docente recomienda una herramienta. Una dirección prueba un sistema de análisis. El problema aparece cuando esas decisiones ocurren sin evaluación de datos, privacidad, seguridad, dependencia tecnológica y condiciones contractuales. ¿Qué datos se ingresan en las plataformas? ¿Se trata de información personal de estudiantes? ¿Hay documentos institucionales sensibles? ¿Los datos se usan para entrenar modelos? ¿Dónde se almacenan? ¿Qué ocurre si cambia el proveedor, el precio o las condiciones de uso? ¿Quién valida la calidad de las respuestas generadas? ¿Qué pasa si un sistema produce una recomendación equivocada y alguien la toma como base de decisión? Estas preguntas no pueden resolverse solo con buena voluntad. Requieren políticas, protocolos y responsabilidades. También requieren una conversación madura entre áreas académicas, jurídicas, tecnológicas, de calidad y de gobierno institucional. La Recomendación sobre la Ética de la Inteligencia Artificial de UNESCO, adoptada por los Estados miembros de la organización, ofrece un marco amplio para pensar la IA desde derechos humanos, dignidad, equidad, transparencia y responsabilidad. Para una institución de educación superior, su valor no está en copiar principios de manera decorativa, sino en traducirlos a decisiones operativas: qué datos se protegen, qué usos se permiten, qué usos se restringen, qué información se entrega a la comunidad y cómo se evalúan los impactos. De los lineamientos al sistema de decisiones Muchas instituciones están elaborando guías de uso de IA. Es un paso positivo, pero no suficiente. Una guía puede orientar, pero no reemplaza un sistema de decisiones. Un sistema institucional de gobierno de IA debería responder, al menos, cinco preguntas. Primero, ¿qué usos de IA son estratégicos para la institución? No todo uso merece la misma atención. Algunos pueden mejorar procesos administrativos; otros impactan directamente en aprendizaje, evaluación, investigación o decisiones estudiantiles. Identificar prioridades evita dispersión. Segundo, ¿qué usos requieren aprobación previa? Una cosa es utilizar IA para apoyar una lluvia de ideas; otra muy distinta es usarla para tomar decisiones sobre admisión, becas, alertas tempranas, evaluación, empleabilidad, apoyo psicoeducativo o gestión de riesgo académico. Tercero, ¿quién evalúa riesgos y beneficios? La respuesta no debería ser solo TI ni solo una unidad académica. Debe existir una instancia con legitimidad, competencias y mandato para revisar aspectos pedagógicos, éticos, legales, técnicos y financieros. Cuarto, ¿cómo se mide si la IA realmente mejora algo? La adopción de herramientas no puede confundirse con impacto. Una institución necesita evidencia: resultados de aprendizaje, satisfacción, eficiencia, calidad de retroalimentación, reducción de brechas, resguardo de datos, mejora de procesos o disminución de carga administrativa. No todo debe medirse igual, pero todo uso relevante debería tener una pregunta de evaluación. Quinto, ¿cómo se rinde cuentas? La comunidad institucional necesita saber qué criterios existen, qué responsabilidades se han definido y qué canales tiene para reportar problemas, dudas o impactos no deseados. El rol de los órganos superiores Los directorios, juntas directivas, consejos superiores y equipos de rectoría no necesitan convertirse en especialistas técnicos en IA. Ese no es su papel. Pero sí necesitan formular buenas preguntas y asegurar que la institución tenga capacidades para responderlas. Una sesión de gobierno institucional sobre IA debería mirar al menos siete dimensiones: Propósito académico: qué problemas formativos, investigativos o institucionales se busca abordar con IA. Calidad: cómo se evalúa si los usos de IA mejoran aprendizajes, procesos o decisiones. Integridad: qué criterios existen para evaluación, autoría, transparencia y uso responsable. Equidad: cómo se evita que la IA aumente brechas entre estudiantes, docentes, carreras o sedes. Datos y seguridad: qué información se procesa, con qué resguardos y bajo qué condiciones. Cumplimiento normativo: qué obligaciones legales, contractuales y regulatorias deben considerarse. Sostenibilidad financiera: qué costos, dependencias y beneficios reales tienen las soluciones adoptadas. Estas dimensiones no son una lista para llenar un formulario. Son una forma de ordenar la conversación. La IA exige mirar simultáneamente innovación y responsabilidad, velocidad y prudencia, experimentación y control. Aseguramiento de la calidad: una señal que viene creciendo El vínculo entre IA y aseguramiento de la calidad también empieza a hacerse más visible. ENQA, en el contexto europeo, ha abordado el uso responsable de IA en agencias de aseguramiento de la calidad, destacando temas como ética, inclusión, transparencia, supervisión humana, protección de datos, equidad y rendición de cuentas. Aunque su foco está en agencias externas de calidad, la señal es relevante para las instituciones: la IA no solo será parte de la docencia o la gestión interna, sino también de cómo se evalúa, verifica y comunica la calidad. Esto abre una pregunta para las instituciones de educación superior en Chile y América Latina: ¿están preparando evidencia sobre cómo gobiernan la IA? No solo evidencia de que la usan, sino de que tienen criterios, controles, formación, evaluación y mejora continua. En procesos de acreditación, autoevaluación o rendición de cuentas, probablemente aumentará la importancia de mostrar que la transformación digital no es improvisada. La IA puede fortalecer análisis institucional, seguimiento de brechas, gestión documental, apoyo a estudiantes y mejora de procesos. Pero si se utiliza sin marco de responsabilidad, también puede generar nuevos riesgos de calidad. La calidad no se fortalece porque una institución adopte IA. Se fortalece cuando la institución puede demostrar que la adopta con sentido, evidencia y responsabilidad. Una agenda mínima para partir Para muchas instituciones, el desafío puede parecer grande. Pero no es necesario partir con un modelo perfecto. Sí es necesario evitar la improvisación permanente. Una agenda mínima podría incluir: levantar un mapa de usos actuales y proyectados de IA en docencia, investigación, gestión y servicios estudiantiles; clasificar esos usos según nivel de riesgo e impacto institucional; definir principios operativos claros, comprensibles y aplicables; crear una instancia transversal de revisión y seguimiento; establecer criterios para proveedores, datos, privacidad y seguridad; formar a docentes, equipos profesionales, directivos y estudiantes; incorporar la IA en planificación académica, calidad y gestión de riesgos; evaluar resultados, no solo actividades; revisar periódicamente la política, porque la tecnología y sus usos cambian rápido. La clave está en no confundir documento con gobernanza. Una política de IA puede ser útil, pero solo si se traduce en decisiones, rutinas, responsables, formación y evidencia. La decisión que viene La IA en educación superior ya no es una novedad. Tampoco es una moda que pueda ignorarse hasta que pase. Está entrando en las aulas, en los escritorios, en los procesos administrativos, en la investigación, en la comunicación, en la evaluación y en la gestión institucional. Por eso, tratarla solo como tecnología es quedarse corto. La IA es una decisión de gobierno porque afecta qué se aprende, cómo se evalúa, qué datos se protegen, qué riesgos se aceptan, qué capacidades se desarrollan y qué tipo de institución se quiere construir. Las instituciones de educación superior que avancen mejor no serán necesariamente las que adopten más herramientas. Serán las que desarrollen mejores criterios. Las que sepan experimentar sin perder responsabilidad. Las que formen capacidades y no solo compren licencias. Las que puedan explicar sus decisiones y corregirlas cuando sea necesario. La pregunta ya no es si la IA debe entrar a la educación superior. Ya entró. La pregunta es si las instituciones la van a gobernar con visión, evidencia y responsabilidad pública. Seguir aprendiendo sobre IA, calidad y transformación institucional también forma parte de esa responsabilidad. Regístrate gratis en InnovacionAcademica.org y participa en una comunidad interesada en pensar la educación superior con rigor, propósito y sentido de futuro. Fuentes consultadas UNESCO. AI competency frameworks for teachers and students. https://www.unesco.org/en/articles/ai-competency-frameworks-teachers-and-students UNESCO. AI and the futures of learning. https://www.unesco.org/en/digital-education/ai-future-learning UNESCO. Recommendation on the Ethics of Artificial Intelligence. https://www.unesco.org/en/artificial-intelligence/recommendation-ethics OECD.AI. AI Principles Overview. https://oecd.ai/en/ai-principles National Institute of Standards and Technology. AI Risk Management Framework. https://www.nist.gov/itl/ai-risk-management-framework ENQA. ENQA Workshop Report and Guidelines published on the Responsible Use of Artificial Intelligence in QA Agencies. https://www.enqa.eu/news/enqa-workshop-report-and-guidelines-published-on-the-responsible-use-of-artificial-intelligence-in-qa-agencies/