IA y calidad: el giro que trae ENQA

ENQA ya no está tratando la inteligencia artificial solo como una preocupación ética general. Sus documentos recientes muestran un cambio más profundo: las agencias de aseguramiento de la calidad están comenzando a preguntarse cómo usar IA generativa y aprendizaje automático en sus propios procesos, sin debilitar la confianza, la revisión por pares ni la responsabilidad pública. Por qué este tema importa ahora Durante los últimos años, buena parte de la conversación sobre inteligencia artificial en educación superior se ha concentrado en estudiantes, docentes y evaluación de aprendizajes. La pregunta dominante ha sido relativamente directa: ¿cómo evitar que el uso de herramientas generativas deteriore la integridad académica? Esa pregunta sigue siendo importante, pero ya no es suficiente. El debate se está desplazando hacia una dimensión institucional más exigente: ¿qué ocurre cuando la inteligencia artificial entra en los sistemas que evalúan la calidad de las instituciones, de los programas y de las propias agencias evaluadoras? La señal más clara viene desde Europa. La European Association for Quality Assurance in Higher Education (ENQA) ha desarrollado durante 2025 una línea explícita de trabajo sobre uso responsable de inteligencia artificial en agencias de aseguramiento de la calidad. No se trata solo de una declaración de principios. Hay talleres, informes, guías, políticas internas, orientaciones para revisiones de agencias y experiencias piloto con IA generativa y machine learning en procesos de aseguramiento externo. El dato es relevante para Chile y América Latina porque Europa suele anticipar discusiones regulatorias y metodológicas que luego influyen en otros sistemas. Además, el aseguramiento de la calidad es un campo donde la confianza pública depende no solo de los resultados, sino también de la legitimidad del proceso que los produce. La IA deja de ser solo un asunto de las instituciones evaluadas Hasta ahora, muchas instituciones de educación superior han mirado la inteligencia artificial como un desafío interno: políticas de uso, evaluación auténtica, integridad académica, capacitación docente, protección de datos, productividad administrativa o innovación pedagógica. ENQA está mostrando una segunda capa del problema: las agencias de calidad también deben revisar sus propias prácticas. Si las instituciones son evaluadas por su capacidad de asegurar calidad en contextos digitales, las agencias no pueden quedar al margen de esa transformación. El taller de ENQA sobre uso responsable de IA en aseguramiento de la calidad, realizado en Tallin los días 11 y 12 de junio de 2025, reunió a representantes de 31 agencias del Espacio Europeo de Educación Superior. Según el informe publicado por ENQA, el objetivo fue comprender las implicancias de la IA para las instituciones, analizar su uso responsable en el aseguramiento externo y explorar principios que orienten a las agencias. La conclusión de fondo es prudente, pero significativa: la IA puede apoyar el trabajo de calidad, pero no debe sustituir el juicio experto, la revisión por pares ni la responsabilidad institucional. Esta idea se repite en varios documentos de ENQA y marca una línea roja importante: automatizar apoyo no es automatizar legitimidad. De los principios éticos a los procesos concretos Las guías de ENQA sobre uso responsable de IA en aseguramiento externo, publicadas en 2025, proponen un marco no vinculante para que las agencias reflexionen sobre cómo integrar IA en sus procedimientos. Sus énfasis son claros: política institucional, uso ético e inclusivo, transparencia, comunicación con actores interesados, protección de datos, consentimiento, equidad de acceso, formación de capacidades, monitoreo y evaluación continua. Lo interesante es que estas orientaciones no reducen la IA a una herramienta de eficiencia. La ubican dentro de una arquitectura de gobernanza. Dicho de otra forma: antes de preguntarse “qué tarea podemos automatizar”, una agencia debería preguntarse “bajo qué condiciones sería legítimo, trazable y justo usar IA en esta tarea”. Ese cambio es clave. En aseguramiento de la calidad, la eficiencia tiene valor, pero no basta. Un informe producido más rápido no necesariamente mejora la calidad del proceso. Una síntesis automática de evidencias puede ser útil, pero también puede invisibilizar matices, sesgos, discrepancias o contextos institucionales que solo aparecen con una lectura experta. Por eso, el enfoque europeo combina apertura e incomodidad. Abre la puerta al uso de IA, pero exige condiciones: declarar cuándo se usa, revisar sus resultados, proteger datos sensibles, evitar usos discriminatorios, mantener responsabilidad humana y documentar metodologías. Dos experiencias que muestran el giro práctico ENQA publicó también experiencias concretas de agencias que están explorando IA generativa y machine learning en aseguramiento externo. Los casos de Quality and Qualifications Ireland (QQI) y AQU Catalunya son especialmente útiles porque muestran dos usos distintos: análisis cualitativo asistido y detección de riesgos mediante modelos predictivos. QQI ha desarrollado pilotos con IA generativa alineados con su estrategia 2025-2027. Uno de ellos se orienta a apoyar procesos de evaluación bajo el European Approach; otro, a realizar análisis temáticos de resultados de aseguramiento externo. En una experiencia descrita por ENQA, QQI combinó Microsoft Copilot con métodos manuales y liderados por personas para identificar y organizar temas en un análisis de revisiones a instituciones privadas e independientes de educación superior. El aprendizaje es doble. Por un lado, la IA generativa puede ayudar a ordenar grandes volúmenes de información, encontrar patrones y acelerar análisis temáticos. Por otro, la propia QQI reconoce desafíos metodológicos, especialmente al momento de describir con transparencia cómo fue usada la herramienta. Ese punto no es menor: si una agencia no puede explicar cómo utilizó IA para procesar evidencia, debilita la trazabilidad del proceso. El caso de AQU Catalunya apunta en otra dirección. La agencia catalana está explorando el uso de machine learning para identificar programas con riesgo de no alcanzar los resultados esperados en acreditación. Según la experiencia difundida por ENQA, entrenaron modelos con resultados de más de 1.400 evaluaciones y sus indicadores asociados. Los modelos funcionaron mejor para identificar riesgo en programas de pregrado que en programas de máster. La conclusión de AQU Catalunya es especialmente importante para América Latina: los procesos de calidad son multidimensionales y no pueden reducirse a indicadores cuantitativos. El machine learning puede ayudar a levantar alertas, pero no reemplaza el juicio de los pares evaluadores. En términos simples, un modelo puede decir “mire aquí con más atención”; no debería decir “esta es la decisión de calidad”. ESG 2027: calidad, digitalización e IA en el mismo marco La conversación sobre IA se cruza con otro proceso mayor: la revisión de los Standards and Guidelines for Quality Assurance in the European Higher Education Area, conocidos como ESG. Los ESG 2015 han sido el marco de referencia para el aseguramiento interno y externo de la calidad en el Espacio Europeo de Educación Superior. Actualmente se encuentra en marcha la transición hacia ESG 2027. ENQA informa que la versión revisada de los ESG se espera para aprobación ministerial en mayo de 2027, y ya existe una política de transición para las revisiones coordinadas por ENQA. En términos prácticos, esto significa que las agencias europeas deberán prepararse para alinear sus procesos con un marco actualizado. Los borradores de ESG 2027 incorporan con mayor claridad temas que hace una década eran menos centrales: transición digital, uso emergente de inteligencia artificial, integridad académica asociada a tecnologías digitales, diversidad de modalidades de provisión, aprendizaje centrado en el estudiante, evidencia para mejora continua y accesibilidad de la información. En el borrador discutido en 2026 aparece una formulación particularmente relevante: las instituciones deberían contar con políticas y procesos para asegurar y mejorar la gobernanza y la calidad de todas sus actividades, considerando también la transición digital y el uso emergente de inteligencia artificial. Además, se plantea que la política de calidad aborde el uso y las implicancias generales de la IA en procesos de aprendizaje, enseñanza y aseguramiento de la calidad. Esto cambia el estándar de conversación. La IA ya no aparece solo como herramienta docente o riesgo de evaluación. Entra al corazón de la gobernanza institucional y de los procesos de calidad. Implicancias para Chile y América Latina Aunque los documentos de ENQA y ESG pertenecen al contexto europeo, su valor para Chile y América Latina está en la anticipación. Nuestros sistemas de aseguramiento de la calidad también enfrentarán preguntas similares, tarde o temprano. La primera pregunta es metodológica: ¿pueden las agencias usar IA para revisar antecedentes, sintetizar informes, detectar patrones, comparar indicadores o apoyar análisis temáticos? Probablemente sí. Pero la pregunta importante no es si pueden, sino bajo qué reglas. La segunda pregunta es de legitimidad: ¿cómo se informa a las instituciones evaluadas que parte del procesamiento de evidencia fue apoyado por IA? ¿Qué datos se pueden cargar en una herramienta? ¿Quién valida los resultados? ¿Cómo se evita que un modelo amplifique sesgos históricos? ¿Qué ocurre si la IA sugiere una lectura distinta a la de los pares? La tercera pregunta es estratégica: si las instituciones deben demostrar políticas responsables sobre IA, las agencias también deberán demostrar capacidades para evaluarlas. No basta con agregar una pregunta sobre IA en una pauta. Se requiere comprensión técnica, criterios de riesgo, formación de evaluadores y capacidad de distinguir entre uso superficial, gobernanza real y evidencia de implementación. Para Chile, esto se conecta directamente con debates sobre acreditación, mejora continua, gestión basada en evidencia y transformación digital. Para América Latina, además, aparece una tensión adicional: la brecha de capacidades institucionales. Una adopción acrítica de IA en aseguramiento de la calidad podría beneficiar a instituciones con más recursos y perjudicar a aquellas que ya enfrentan desventajas de datos, infraestructura o equipos técnicos. La frontera ética no está en prohibir, sino en gobernar Una respuesta fácil sería prohibir el uso de IA en procesos de aseguramiento de la calidad. Sería una solución cómoda, pero probablemente débil. Las agencias necesitan procesar más información, identificar tendencias, mejorar la consistencia de sus análisis y responder a sistemas de educación superior cada vez más complejos. Renunciar por completo a herramientas de apoyo puede ser tan irresponsable como adoptarlas sin reglas. La frontera ética no está en usar o no usar IA. Está en gobernarla bien. Eso implica, al menos, cinco condiciones. Primero, transparencia: declarar cuándo y para qué se utiliza IA en procesos de evaluación, análisis o generación de documentos. Segundo, responsabilidad humana: mantener claro que las decisiones, informes y juicios evaluativos pertenecen a personas y órganos responsables, no a sistemas automatizados. Tercero, protección de datos: impedir que información sensible de instituciones, estudiantes, docentes, empleadores o pares evaluadores sea procesada sin consentimiento y resguardo suficiente. Cuarto, trazabilidad metodológica: documentar cómo se usó la herramienta, qué datos procesó, qué criterios siguió y cómo fueron verificados sus resultados. Quinto, equidad: evitar que la IA refuerce desigualdades entre instituciones con distintas capacidades, territorios, niveles de digitalización o disponibilidad de datos. Una agenda para agencias e instituciones El giro que muestra ENQA no debería ser leído solo como una noticia europea. Es una señal de agenda para quienes trabajan en aseguramiento de la calidad. Las agencias deberán desarrollar políticas propias de IA, formar a sus equipos y pares evaluadores, definir usos permitidos y prohibidos, establecer criterios de transparencia y revisar cómo se integran estas herramientas en informes, bases de datos, análisis de riesgo y seguimiento. Las instituciones, por su parte, deberán prepararse para explicar no solo si usan IA, sino cómo la gobiernan. Esto incluye políticas de integridad académica, criterios para evaluación de aprendizajes, resguardo de datos, capacitación docente, trazabilidad de procesos y uso de IA en sistemas internos de calidad. También hay una oportunidad: la IA podría fortalecer el aseguramiento de la calidad si se usa para ampliar la lectura de evidencia, detectar patrones invisibles, reducir carga administrativa y liberar tiempo para el juicio experto. Pero esa oportunidad solo existe si se evita convertir la calidad en un tablero automático de indicadores. La calidad educativa sigue siendo una construcción humana, contextual y deliberativa. La IA puede ayudar a mirar mejor, pero no puede reemplazar la conversación profesional sobre qué significa formar bien, con pertinencia, justicia y responsabilidad pública. El punto de fondo ENQA está dejando una señal clara: la IA ya entró al aseguramiento de la calidad. La pregunta no es si llegará, sino qué tipo de gobernanza encontrará cuando llegue. Si las agencias la usan de forma opaca, pueden erosionar la confianza que precisamente deberían proteger. Si las instituciones la tratan como moda tecnológica, pueden producir políticas decorativas sin impacto real. Pero si ambas partes la abordan con transparencia, criterio metodológico y responsabilidad pública, la IA puede convertirse en una herramienta para fortalecer la calidad, no para simularla. En educación superior, la confianza no se automatiza. Se construye con evidencia, juicio experto, participación y rendición de cuentas. Ese principio debería seguir intacto, incluso cuando las herramientas cambien. Seguir estos debates es fundamental para anticipar los cambios que vienen en la educación superior. En InnovacionAcademica.org buscamos abrir conversaciones rigurosas, útiles y conectadas con los desafíos reales de las instituciones. Regístrate gratis y participa en una comunidad interesada en comprender y transformar la educación. Fuentes consultadas ENQA. (2025). Guidelines for the Responsible Use of AI in External QA . https://www.enqa.eu/publications/enqa-guidelines-for-the-responsible-use-of-ai-in-external-qa/ ENQA. (2025). ENQA Workshop Report: Responsible Use of Artificial Intelligence in Quality Assurance . https://www.enqa.eu/publications/enqa-workshop-report-responsible-use-of-ai/ ENQA. (2025). ENQA Policy on the Use of Artificial Intelligence in ENQA Agency Reviews . https://www.enqa.eu/wp-content/uploads/ENQA-policy-on-use-AI-in-agency-reviews.pdf ENQA. (2025). ENQA Internal Policy on the Use of Artificial Intelligence . https://www.enqa.eu/wp-content/uploads/ENQA-internal-policy-on-use-AI-for-Secretariat.pdf ENQA. (2025). Exploring GenAI and machine learning in external quality assurance . https://www.enqa.eu/news/exploring-genai-and-machine-learning-in-external-quality-assurance/ ENQA. (2025). Launch of consultation on draft ESG 2027 . https://www.enqa.eu/news/launch-of-consultation-on-draft-esg-2027/ ENQA. (2025). ESG 2027 transition policy . https://www.enqa.eu/wp-content/uploads/Transition-policy-ENQA-reviews-2027-2028.pdf ENQA. (2015). Standards and Guidelines for Quality Assurance in the European Higher Education Area (ESG 2015) . https://www.enqa.eu/wp-content/uploads/2015/11/ESG_2015.pdf EHEA/BFUG. (2026). ESG 2027 Draft for Discussion . https://ehea.info/wp-content/uploads/2026/04/BFUG_99_CY_NO_11_ESG_Draft_2_24.02.2026.pdf EQAR. (2026). Standards and Guidelines for Quality Assurance in the European Higher Education Area (ESG) . https://www.eqar.eu/kb/esg/ EURASHE. (2026). Revision of the European Standards and Guidelines for Quality Assurance (ESG) 2027 . https://www.eurashe.eu/revision-esg-2027/