El debate sobre la IA en la universidad se ha centrado en la autoría y el fraude. Sin embargo, el problema es más profundo: llevamos años confundiendo un producto entregado con una prueba de aprendizaje. Rediseñar la evaluación exige observar proceso, criterio, práctica, revisión y capacidad de actuar, no solo respuestas finales.
DAVID LAVÍN CARMONA
La escena empieza a ser familiar. Un estudiante entrega un trabajo impecable: bien estructurado, correctamente escrito, con referencias y conclusiones razonables. El profesor sospecha que ha utilizado inteligencia artificial. Puede que sea cierto. Puede que no. Pero hay una pregunta más importante que la autoría del texto: ¿qué ha aprendido realmente?
La irrupción de la IA generativa ha alterado las reglas de la evaluación universitaria porque produce con facilidad aquello que durante décadas hemos utilizado como evidencia principal del aprendizaje: ensayos, resúmenes, respuestas razonadas, presentaciones y código. La reacción inicial ha sido comprensible: prohibiciones, declaraciones de uso, exámenes presenciales y detectores. El problema es que estamos intentando proteger el instrumento antes de revisar qué medía en realidad.
Un trabajo terminado nunca fue una prueba perfecta de aprendizaje. Podía ser resultado de una comprensión profunda, pero también de una buena memoria, ayuda externa, imitación formal o reparto desigual del esfuerzo. La IA no ha creado esa fragilidad. La ha hecho imposible de ignorar.
En «Por una experiencia digital responsable», el estudiantado reclama menos plataformas para almacenar contenidos y más entornos para experimentar, equivocarse y recibir retroalimentación. La petición es relevante porque desplaza la conversación desde el control hacia el aprendizaje. También enlaza con una advertencia incómoda de «La rutina de la innovación»: las universidades corren el riesgo de medir la satisfacción con la novedad en lugar de comprobar si alguien aprende mejor.
Un trabajo terminado
nunca fue una prueba
perfecta de aprendizaje.
Podía ser resultado
de una comprensión profunda,
pero también de una buena
memoria, ayuda externa,
imitación formal o
reparto desigual del esfuerzo.
El debate, por tanto, no debería reducirse a decidir cuándo se permite utilizar ChatGPT. La cuestión de fondo es otra: ¿qué evidencias necesita una universidad para afirmar, con honestidad, que una persona sabe comprender, argumentar, decidir y actuar en su disciplina?
De entregar productos a hacer visible el proceso
No se trata de declarar muerto el ensayo, la memoria o el proyecto final. Se trata de dejar de tratarlos como pruebas autosuficientes. Un texto puede seguir siendo valioso si forma parte de una secuencia que permita observar cómo se construyó: selección y contraste de fuentes, decisiones descartadas, borradores, justificación de cambios, conversación con el docente y defensa oral.
La evaluación gana solidez cuando reúne evidencias distintas y distribuidas en el tiempo. La agencia australiana TEQSA señala que, ante la imposibilidad práctica de detectar con certeza el uso de IA, las instituciones deben priorizar el rediseño de la evaluación y las demostraciones auténticas de capacidad y comprensión. No es una invitación a multiplicar controles, sino a formular mejores preguntas.
De responder correctamente a actuar con criterio
Muchas competencias universitarias no se demuestran escribiendo sobre ellas. Un futuro abogado no solo debe explicar qué haría ante un conflicto; debe interpretar información incompleta, formular preguntas, sostener una posición y revisar su criterio ante una objeción. Un profesional sanitario debe comunicar una decisión difícil. Un directivo debe priorizar bajo restricciones. Un docente debe reaccionar ante una respuesta inesperada.
Esto exige incorporar casos, simulaciones, conversaciones, resolución de problemas, presentaciones, portafolios y defensas. No para convertir toda asignatura en un espectáculo práctico, ni para despreciar el conocimiento teórico. Sin conocimiento no hay criterio. Pero el conocimiento universitario alcanza su sentido cuando puede movilizarse en una situación que no viene resuelta de antemano.
El informe de Jisc sobre tendencias en evaluación universitaria identifica precisamente el avance de portafolios, evaluaciones centradas en el proceso, pruebas orales y proyectos finales integradores. La dirección parece clara: combinar modalidades y recoger evidencias de aprendizaje que una única entrega ya no puede ofrecer.
De prohibir la IA a enseñar a responder por su uso
La universidad tampoco puede formar para un mundo en el que la IA existe y evaluar como si no existiera. Habrá tareas donde su uso deba excluirse porque se necesita comprobar una capacidad básica. En otras, podrá utilizarse con límites. Y en algunas será absurdo prohibir una herramienta que ya forma parte de la práctica profesional.
Lo importante es que las reglas sean explícitas y pedagógicamente justificadas. El estudiante debe saber qué puede delegar, qué debe conservar bajo su responsabilidad y cómo declarar la ayuda recibida. Utilizar IA no exime de responder por una fuente falsa, un argumento débil o una decisión injustificable.
La UNESCO propone una integración centrada en la persona, sometida a validación ética y diseño pedagógico. Ese principio debería traducirse en algo muy concreto: la IA puede asistir una tarea, pero no asumir la responsabilidad intelectual de quien la firma.
Una universidad que registra
mucho pero escucha poco
puede ser digitalmente
sofisticada y pedagógicamente pobre
De medir satisfacción a observar mejora
La evaluación reformada tampoco puede caer en el ritual de llamar innovación a cualquier cambio de formato. Que una experiencia resulte atractiva no demuestra que produzca aprendizaje. Conviene observar aspectos más incómodos: si el segundo intento mejora respecto al primero; si el estudiante identifica sus errores; si puede transferir el criterio a un caso distinto; si explica por qué tomó una decisión; si sabe cuándo desconfiar de la respuesta generada.
Esto no equivale a vigilar cada clic ni a convertir al estudiante en un conjunto de datos. La evidencia educativa debe servir para comprender y acompañar, no para ampliar la sospecha. Una universidad que registra mucho pero escucha poco puede ser digitalmente sofisticada y pedagógicamente pobre.
El cambio posible empieza pequeño
Rediseñar la evaluación de un grado completo exige coordinación, tiempo y recursos. Fingir lo contrario sería repetir la retórica de la innovación fácil. Pero la dificultad no justifica la inmovilidad.
Una titulación puede empezar por una asignatura, una competencia crítica o una tarea especialmente vulnerable a la automatización. Puede definir qué aprendizaje quiere hacer visible, combinar dos o tres evidencias, probar el diseño con un grupo limitado y revisar después la carga docente, la experiencia del alumnado y la calidad de los resultados. Innovar con prudencia no significa avanzar sin ambición; significa no confundir una ocurrencia con una mejora.
La universidad no recuperará su autoridad compitiendo con la IA en velocidad, volumen o fluidez. Como sostiene el debate sobre las soberanías universitarias, su valor está en garantizar los procesos que permiten distinguir una respuesta plausible de un conocimiento fiable: exigir razones, sostener conversaciones difíciles, relacionar ideas, corregir el propio juicio y asumir las consecuencias de una decisión.
La IA no ha hecho innecesario el aprendizaje. Ha hecho insostenible seguir confundiendo un producto terminado con la prueba de que alguien ha aprendido.
David Lavín Carmona CEO de Ed Tech Advisors® y Director de Expansión y del vertical de Educación en tauniqo
