La IA no inventó los problemas de la evaluación universitaria. Los dejó a la vista

Un profesor corrige el ensayo número treinta y siete. La tesis se sostiene, las citas encajan y la prosa tiene la seguridad de quien sabe adónde va. El trabajo merece una buena nota. Al día siguiente descubre que una herramienta de inteligencia artificial podía producir una respuesta semejante en pocos segundos a partir de una instrucción de dos líneas.

La escena es compuesta. El dilema no. Si una respuesta solvente puede generarse sin que el estudiante haya recorrido el proceso intelectual que pretendíamos evaluar, ¿qué estábamos midiendo en realidad?

La inteligencia artificial generativa ha vuelto urgente una pregunta que la universidad llevaba demasiado tiempo aplazando. Durante años hemos tratado el producto entregado como sustituto suficiente del aprendizaje. El ensayo representaba la investigación, el informe representaba el análisis y la presentación representaba la comprensión. Esa equivalencia nunca fue perfecta. Ahora se ha vuelto indefendible en muchas tareas.

La IA no inventó los problemas de la evaluación universitaria. Los dejó a la vista.

La salida fácil duró poco

La primera reacción fue comprensible: buscar una herramienta que distinguiera el texto humano del generado por IA. Si la detección funcionaba, bastaría con añadir un control técnico y conservar intactas las tareas. El problema podía presentarse como una crisis de seguridad.

La evidencia deshizo pronto esa expectativa. En un estudio con más de treinta asignaturas universitarias, las respuestas escritas por IA resultaron casi tan buenas como las del alumnado, y el profesorado apenas logró distinguirlas (Ibrahim et al., 2023). Al comparar varios detectores entre sí, ninguno acertó siempre: unos acusaban de usar IA a estudiantes que habían escrito su propio texto, otros dejaban pasar sin marcar textos generados por IA (Elkhatat et al., 2023). Y un estudio que puso a prueba catorce detectores distintos mostró que basta con reescribir un poco el texto generado, cambiar algunas frases, para que el detector deje de reconocerlo (Weber-Wulff et al., 2023).

Que un detector diga «87 % de probabilidad de IA» suena preciso, pero esa cifra no reconstruye la autoría. No explica qué parte del trabajo recibió ayuda, si esa ayuda estaba permitida ni qué decisiones tomó el estudiante. Y para saber si ese 87 % significa algo, haría falta saber con qué textos se entrenó y se probó la herramienta, y cuántas veces acierta y cuántas se equivoca en casos parecidos al que tenemos delante. Esa información casi nunca la tiene quien debe decidir la nota.

El problema empeora cuando el error no reparte igual entre todos. Un estudio encontró que estos sistemas acusan de usar IA a estudiantes que escriben en inglés como segunda lengua con mucha más frecuencia que a quienes lo tienen como lengua materna, aunque ninguno haya usado IA (Liang et al., 2023). Una limitación técnica se convierte entonces en una cuestión de equidad: el mismo error no perjudica a todos por igual.

Un detector puede servir como señal para revisar una tarea o iniciar una conversación prudente. No debe operar como prueba única, presunción de culpabilidad o sustituto del procedimiento institucional. La integridad académica importa demasiado para delegarla en una puntuación opaca.

La crisis no es de seguridad, sino de validez

Si la detección no puede sostener el edificio anterior, necesitamos formular mejor el problema. No estamos solo ante una crisis de autoría. Estamos ante una crisis de validez.

La validez se refiere a la calidad de la interpretación que hacemos a partir de una evidencia. Una tarea no es válida en abstracto. Es adecuada o insuficiente para una finalidad concreta. Un ensayo puede aportar buena evidencia sobre la calidad del texto presentado y, al mismo tiempo, resultar insuficiente para atribuir razonamiento original a quien lo entrega si desconocemos cómo se produjo.

Este matiz evita dos conclusiones precipitadas. La primera sería pensar que usar IA implica necesariamente no haber aprendido. Un estudiante puede utilizarla para contrastar explicaciones, localizar debilidades, recibir retroalimentación o explorar alternativas y ejercer durante ese proceso un juicio disciplinar exigente. La segunda sería suponer que no utilizarla garantiza comprensión. También podemos redactar un texto convencional mediante imitación, memorización superficial o ayuda humana no declarada.

La pregunta útil no es «¿hay IA?». La pregunta es «¿qué evidencia permite atribuir este aprendizaje a esta persona?».

Las revisiones recientes describen precisamente este desplazamiento desde productos finales aislados hacia diseños que hacen visibles el proceso, la autorregulación, el juicio y el uso responsable de herramientas (Xia et al., 2024). No se trata de eliminar todos los ensayos, informes o proyectos. Se trata de dejar de pedirles que sostengan solos una inferencia que ya no pueden sostener.

Cuatro evidencias que debemos recuperar

Cuando el producto final se vuelve externalizable, necesitamos ampliar la cadena de evidencias. Hay cuatro dimensiones especialmente útiles.

• Proceso, en una revisión de literatura. El estudiante justifica la estrategia de búsqueda, explica por qué descartó determinados trabajos y señala qué cambió entre el primer mapa conceptual y la síntesis final.
• Decisiones, en ingeniería o en derecho. El equipo compara dos soluciones y defiende por qué acepta un coste o un riesgo. En un análisis jurídico, el estudiante explica qué contraargumento considera más fuerte y por qué mantiene su posición.
• Verificación, como rutina evaluable. Una breve tabla de verificación, la corrección razonada de dos errores o la clasificación de afirmaciones según su grado de respaldo. La rúbrica valora la calidad de esas comprobaciones, no la acumulación burocrática de capturas.
• Defensa, sin ánimo de examen. Quien ha hecho suyo el trabajo explica qué decisión fue más difícil, qué evidencia le haría cambiar de opinión y cómo trasladaría el razonamiento a otra situación. Añade una evidencia complementaria allí donde la entrega resulta ambigua.

Criterio de diseño

No necesitamos acumular controles. Necesitamos combinar producto, proceso, decisiones, verificación y explicación en la proporción que requiera el aprendizaje.

No todas las tareas necesitan la misma regla

Una prohibición general de la IA fracasa porque el uso apropiado depende del propósito de cada tarea. Si queremos comprobar que el estudiante domina de manera autónoma una destreza básica, debemos crear condiciones controladas. Si queremos evaluar su capacidad para criticar una salida automatizada, impedir el uso de IA anularía el objeto mismo de la actividad.

La Escala de Evaluación con Inteligencia Artificial, AIAS por sus siglas inglesas, ayuda a comunicar esta diferencia. La versión revisada de 2025 la presenta como un instrumento de rediseño y comunicación, no como un sistema de vigilancia. Organiza cinco tipos de tarea: sin IA planificación con IA colaboración con IA IA plena exploración con IA (Perkins, Roe y Furze, 2025).

Los dos últimos se confunden con facilidad, así que conviene detenerse un momento. IA plena significa que el estudiante usa la IA a fondo para completar una tarea conocida, y lo que evaluamos es la dirección experta de esa herramienta. Exploración con IA significa que el estudiante y la IA inventan juntos un método o un formato que antes no existía, y lo que evaluamos es esa exploración. El primer nivel mide cómo se dirige algo potente. El segundo mide cómo se investiga algo nuevo.

AIAS 2025 vincula el uso de IA con el aprendizaje que cada tarea necesita hacer visible.

Los tipos no son peldaños de calidad. Una tarea sin IA puede ser tan pertinente como otra de exploración con IA. La decisión debe justificarse mediante el resultado de aprendizaje.

Pensemos en un informe de política pública. Podemos pedir una demostración individual sin IA para comprobar dominio conceptual. Podemos permitir IA durante la planificación y evaluar la selección inicial. Podemos exigir colaboración con IA y valorar cómo se revisan sus propuestas. También podemos diseñar una tarea en la que la herramienta sea imprescindible y evaluar la dirección estratégica, la verificación y el juicio profesional. El título del trabajo podría no cambiar. Lo que cambia es la evidencia y, por tanto, la rúbrica.

La consigna debe aclarar cuatro elementos: qué aprendizaje se evalúa, qué uso de IA se permite, qué trazas o declaración se entregarán y qué criterios recibirán puntuación. La transparencia deja de ser un apéndice disciplinario y se convierte en parte del diseño.

Convertir la interacción en evidencia

Hay tareas en las que podemos avanzar un paso más. En el manual proponemos el marco de evaluación por instrucciones, conocido como Prompt-Driven Assessment o PDA, como una aportación propia que debe pilotarse y validarse con prudencia.

La idea es sencilla: la interacción con una IA puede convertirse en evidencia cuando obliga al estudiante a formular buenas preguntas, cuestionar las respuestas, modificar la estrategia, verificar afirmaciones y justificar el resultado. La instrucción deja de ser una puerta trasera para externalizar el trabajo y pasa a formar parte visible del razonamiento.

En una asignatura de salud pública, por ejemplo, el estudiante puede comenzar con una hipótesis sobre un caso, pedir al sistema diagnósticos alternativos, localizar los supuestos de cada propuesta, construir la mejor objeción a su posición, verificar las afirmaciones con fuentes autorizadas y explicar qué cambió después de la interacción. No evaluamos la instrucción más larga o vistosa. Evaluamos la comprensión del problema y el juicio ejercido sobre las respuestas.

El libro desarrolla doce patrones PDA en cuatro familias: argumentación y decisión (defender una postura frente a la que propone la IA), indagación y análisis (usar la IA para explorar un problema antes de resolverlo), creación y auditoría (generar con IA y luego corregir sus errores) y contexto y transferencia (aplicar un razonamiento ya trabajado a un caso nuevo). No proponemos sustituir toda la evaluación por conversaciones con modelos. Incorporamos un repertorio nuevo a una combinación que sigue necesitando desempeños autónomos, observación humana y conocimiento disciplinar.

El aula no puede resolverlo todo

Rediseñar una tarea ayuda, pero no resuelve la desigualdad entre asignaturas con normas contradictorias, herramientas inaccesibles o procedimientos improvisados. La respuesta debe alcanzar también a la institución.

Necesitamos reglas comprensibles, alternativas equivalentes, protección de datos, formación docente y un procedimiento justo ante las sospechas. La literatura sobre integridad académica con IA reclama nuevas pedagogías éticas además del control técnico (Leaton Gray et al., 2025). Eso implica enseñar antes de sancionar y construir incentivos para declarar el uso de herramientas sin que la honestidad se convierta automáticamente en una desventaja.

La adopción responsable necesita decisiones coordinadas sobre integridad, equidad y gobernanza.

También necesitamos conservar una regla proporcional: cuanto mayor sea el impacto de una evaluación, mayores deben ser la validación, la transparencia, la supervisión humana y la posibilidad de recurso. Automatizar una sugerencia formativa no equivale a automatizar una calificación que condiciona la trayectoria académica.

Una institución madura no es la que utiliza más IA. Es la que puede explicar dónde la usa, con qué finalidad, qué evidencia respalda la decisión, quién responde por ella y cómo corregirá o retirará el sistema si produce daño.

Una auditoría rápida para la próxima tarea

Podemos comenzar sin esperar a una política perfecta. Elijamos una tarea que vayamos a publicar y respondamos por escrito:

1. ¿Qué aprendizaje queremos atribuir al estudiante?
2. ¿Qué parte de la tarea puede externalizarse con facilidad?
3. ¿Qué evidencias del proceso, las decisiones y la verificación podemos observar?
4. ¿Qué tipo de uso de IA es coherente con el propósito de la tarea?
5. ¿Cómo podrá el estudiante explicar su trabajo y responder ante una decisión que le afecte?

Si no tenemos respuestas claras, añadir un detector no corregirá el problema de diseño. Solo añadirá una cifra.

Volver a hacer visible el aprendizaje

La evaluación universitaria no necesita perseguir textos con apariencia humana. Necesita construir evidencias suficientemente ricas para reconocer el aprendizaje humano.

Esto exige abandonar dos comodidades. La primera es confundir el producto con la persona. La segunda es creer que una regla única servirá para todos los aprendizajes. A cambio, recuperamos algo valioso: una evaluación que observa el recorrido, hace explícitos sus criterios y trata al estudiante como responsable de decisiones que puede explicar.

Bibliografía

Elkhatat, A. M., Elsaid, K., y Almeer, S. (2023). Evaluating the efficacy of AI content detection tools in differentiating between human and AI-generated text. International Journal for Educational Integrity, 19, 1-16. https://doi.org/10.1007/s40979-023-00140-5

Ibrahim, H., Liu, F., Asim, R., Battu, B., Benabderrahmane, S., Alhafni, B., Adnan, W., Alhanai, T., AlShebli, B., Baghdadi, R., Bélanger, J. J., Beretta, E., Celik, K., Chaqfeh, M., Daqaq, M. F., El Bernoussi, Z., Fougnie, D., Garcia de Soto, B., Gandolfi, A., … y Zaki, Y. (2023). Perception, performance, and detectability of conversational artificial intelligence across 32 university courses. Scientific Reports, 13, 12187. https://doi.org/10.1038/s41598-023-38964-3

Leaton Gray, S., Edsall, D., y Parapadakis, D. (2025). AI-based digital cheating at university, and the case for new ethical pedagogies. Journal of Academic Ethics, 23, 2069-2086. https://doi.org/10.1007/s10805-025-09642-y

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., y Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779

Perkins, M., Roe, J., y Furze, L. (2025). Reimagining the Artificial Intelligence Assessment Scale (AIAS): A refined framework for educational assessment. Journal of University Teaching and Learning Practice, 22(7). https://doi.org/10.53761/rrm4y757

Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Sigut, P., y Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19, 1-39. https://doi.org/10.1007/s40979-023-00146-z

Xia, Q., Weng, X., Ouyang, F., Lin, T.-J., y Chiu, T. K. F. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21, 40. https://doi.org/10.1186/s41239-024-00468-z