El fin de los trabajos universitarios tal como los conocíamos: la irrupción de la IA generativa

 

 El fin de los trabajos universitarios tal como los conocíamos: la irrupción de la IA generativa

Por Santiago Carretero Sánchez, Profesor Titular de Filosofía del Derecho, URJC

La irrupción de la IA generativa (IAG) en la educación superior plantea un momento crítico para las universidades. Si bien estas tecnologías prometen personalizar el aprendizaje y automatizar tareas rutinarias, también desafían la integridad académica, la equidad y las estructuras normativas vigentes. Este informe que realizado para mi Blog explora definiciones clave (aprendizaje automático, LLM, IAG), sus impactos en docencia, investigación y gobernanza, así como problemas concretos (plagio, desinformación, sesgos, privacidad, calidad, acreditación). Se proponen soluciones institucionales y pedagógicas de futuro (políticas claras, diseño curricular con IA, formación docente, infraestructuras tecnológicas, evaluación innovadora, alianzas con la industria, marcos éticos), apoyadas en evidencia reciente. Se incluyen casos de estudio de implementaciones (p.ej. ecosistema TECgpt del Tecnológico de Monterrey) y hallazgos empíricos (un experimento aleatorizado en España), que ilustran cómo un uso mediado de la IA puede reducir brechas digitales. Los planes deben ser quinquenales o bianuales para poderlos evaluar está la Universidad empezando a ver qué hace con este tema.

 

Contexto y definiciones

La IA generativa (IAG) se refiere a sistemas basados en aprendizaje automático capaces de crear contenido original (texto, imágenes, código) siguiendo patrones aprendidos. En particular, los modelos de lenguaje de gran escala (LLM) como ChatGPT entrenan redes neuronales con inmensos corpus textuales para generar respuestas coherentes. Aunque la aplicación de la IA en Educación Superior no es nueva –por ejemplo, sistemas de tutoría inteligente o evaluación automatizada–, la masificación de la IAG a finales de 2022 marcó un punto de inflexión. Su capacidad para “generar texto, código e imágenes coherentes y verosímiles” ha sacado la IA de laboratorios académicos al debate público global.

El aprendizaje automático (ML) es el subcampo de la IA que entrena a las máquinas usando datos. Los LLMs son redes neuronales profundas basadas en la arquitectura Transformer, entrenadas con grandes volúmenes de texto para predecir palabras y generar contenido. Estas tecnologías convergen en la IAG: herramientas como ChatGPT o Jasper que producen ensayos, informes o materiales multimedia automáticamente. Como señala la UNESCO (2023), la adopción de la IAG en la educación exige “evitar la sustitución del criterio docente por algoritmos, revisar sistemáticamente los sesgos en los datos de entrenamiento y proteger la privacidad” de la comunidad educativa. En suma, la IAG combina ML y LLM para nuevos servicios creativos, pero plantea desafíos inéditos para la docencia y la ética académica, pero desafíos preocupantes y que cambian el modo de concebir la Universidad con problemas claramente interdisciplinares.

Impactos en la universidad

En docencia, la IAG ofrece doble potencial: personalizar el aprendizaje y automatizar tareas rutinarias. Al permitir experiencias educativas adaptadas al ritmo y estilo de cada estudiante, la IA responde al anhelo pedagógico de personalización. Asimismo, puede liberar a los profesores de correcciones y seguimiento exhaustivo, enfocándolos en interacciones de mayor valor. Sin embargo, exige replantear el rol docente y desarrollar competencias digitales avanzadas; la Universidad debe proveer formación continua en estas herramientas. Una “pedagogía basada en IA” integral, propuesta por UNESCO, sugiere integrar la alfabetización en IA en todas las disciplinas para fomentar pensamiento crítico y habilidades colaborativas.

En investigación, la IA acelera tareas como revisión bibliográfica, análisis de datos y generación de hipótesis, pero también plantea cuestionamientos sobre la autoría y la calidad. Se discute cómo citar hallazgos sugeridos por IA o verificar la originalidad de resultados asistidos; nuevas normas de publicación están por definirse.

La evaluación académica se transforma radicalmente con la IAG. La disponibilidad de generadores de texto plantea graves retos a la integridad: los estudiantes pueden producir ensayos completos con IA, dificultando la detección de plagio. Esto obliga a repensar métodos de examen y promover evaluaciones auténticas (por ejemplo, proyectos prácticos u orales), tal como recomiendan expertos. Mandar trabajos ya no vale absolutamente para nada y la Universidad lo hacía hasta casi el pasado curso, aunque se miraba en extremo el grado de plagio de los trabajos.

En ética y gobernanza universitaria, la IA demanda marcos claros. Las universidades deben adoptar políticas de IA transparentes y responsabilidad proactiva. Se enfatiza la necesidad de supervisión humana continua y de mecanismos de privacidad desde el diseño. Además, la integridad académica debe potenciarse más allá de sanciones: se aboga por educar en pensamiento crítico y valores éticos en torno a la tecnología, en lugar de prohibiciones puramente punitivas.

En términos de empleo académico, la IA replantea roles. UNESCO (2025) observa que sólo ~22% del profesorado ha incorporado IA por temor al fraude o a “ser reemplazados”. Por ello, las instituciones deben aclarar que la IA complementa, no sustituye, al docente, y ajustar perfiles laborales (p.ej. nuevos especialistas en pedagogía de IA, desarrolladores de contenido educativo).

Respecto a brechas de equidad, la evidencia advierte que la IA no es neutral. Un experimento controlado en España encontró que una intervención guiada en IA compensó diferencias iniciales: los estudiantes con menos habilidades digitales previas mejoraron significativamente cuando se les formó en uso de IAG. En cambio, sin mediación pedagógica la IA favorece más a quienes ya dominan la tecnología, ampliando las desigualdades. En suma, la IA educativa sólo reduce brechas si va acompañada de acompañamiento docente, acceso equitativo a recursos y políticas inclusivas; de lo contrario puede ser “factor de desigualdad”.

Problemas concretos que se encuentra la Universidad y que cambia su esencia y papel

Plagio académico: Las herramientas IAG permiten generar textos originales en segundos, sofisticando el “plagio automatizado”. Los sistemas tradicionales de detección (comparación de textos) resultan insuficientes para contenidos creados por IA. La falta de actualización normativa y tecnológica deja a muchas IES en “estancamiento regulatorio”. Estudios recientes concluyen que los códigos de integridad académica deben revisarse y acompañarse de enseñanza de pensamiento crítico en vez de solo prohibiciones.

Desinformación y calidad de contenido: Los LLMs pueden producir respuestas plausibles pero erróneas o inventadas (conocidas como “alucinaciones”). Como señala Aguilar Rangel (2025), las respuestas de ChatGPT no son verificables y su fiabilidad es cuestionable. Esto implica que estudiantes pueden incorporar datos falsos en sus trabajos sin percatarse. La desinformación se convierte en riesgo oculto: requiere educar a los alumnos en alfabetización mediática digital y uso crítico de la IA, así como verificar siempre la exactitud de la información generada.

Sesgos algorítmicos: Los modelos de IA heredan prejuicios de sus datos de entrenamiento. Estudios recientes documentan que, si los datos contienen estereotipos de género, raza o clase, el modelo los reproduce. Por ejemplo, un LLM entrenado con corpus sesgado tenderá a generar respuestas que refuercen creencias dominantes y puedan discriminar inconscientemente. Estos sesgos afectan la imparcialidad y equidad del aprendizaje; pueden guiar erróneamente la percepción de los estudiantes o reforzar estereotipos. Es crucial mitigar este riesgo mediante auditorías constantes de datos de entrenamiento y educación sobre sesgos de IA.

Privacidad de datos: La IA educativa requiere recopilar y procesar grandes volúmenes de datos de estudiantes (rendimiento, perfiles, historial). Sin medidas adecuadas, esto amenaza la privacidad y derechos (GDPR en Europa, normativas locales). La AEPD subraya la necesidad de “enfoques de privacidad desde el diseño y por defecto” y de garantizar licitud, minimización y transparencia. Se plantea la exigencia de evaluaciones de impacto y supervisión humana para todo uso de datos masivos. En esencia, cualquier sistema de IA debe integrarse bajo una gobernanza ética que proteja la dignidad y autonomía del estudiantado.

Calidad educativa y acreditación: El riesgo es que la IA, mal gestionada, degrade la calidad educativa. Si la IA sustituye procesos de pensamiento analítico de forma inadecuada, o si las evaluaciones no miden competencias genuinas, la formación podría trivializarse. Por ello las agencias de acreditación deberán exigir a los programas universitarios evidencia de competencias digitales y éticas asociadas a la IA, garantizando que la tecnología fortalezca, no comprometa, el estándar educativo. En muchos países esto aún está por definirse; falta adaptar los criterios de calidad a los nuevos desafíos tecnológicos.

Propuestas y soluciones de futuro

Las iniciativas deben ser integrales y coordinadas. Entre las propuestas más relevantes destacan las siguientes:

• Políticas institucionales claras de IA: Crear directrices internas y comités de ética. Definir normas de uso de herramientas IAG (p. ej. cuándo está permitido usar ChatGPT en asignaturas). Estas políticas deben proteger la privacidad y derechos fundamentales. Ventaja: establecen reglas uniformes y generan confianza. Limitación: requieren actualización continua ante nueva tecnología. Requisito: apoyo de la alta dirección y compliance legal. 
• Ejemplo: algunas universidades ya han instaurado políticas internas de IA, incluyendo transparencia en su uso en trabajos académicos e incluso en la confección de tareas realizada en la propia aula, saber manejar la IA.

 

 

• Currículo y marcos de competencias en IA: Integrar alfabetización en IA transversalmente en carreras. Esto incluye contenidos técnicos (funcionamiento de LLM, ML), sociales y éticos. La UNESCO (2025) promueve marcos de competencias para estudiantes y docentes, insistiendo en conocimientos, habilidades y actitudes en IA. Ventaja: prepara a graduados para el mercado laboral dominado por IA. Limitación: revisar planes de estudio lleva tiempo, exige consenso institucional. Requisito: colaboración con expertos en IA y pedagogía. Ejemplo: el Tecnológico de Monterrey incluyó un ecosistema IA propio (‘TECgpt’) y planes de estudio que promueven su uso didáctico.
• Formación docente continuada: Desarrollar programas de capacitación obligatoria en IA para profesores (talleres, cursos certificados). Deben fomentar tanto el manejo técnico de herramientas como la reflexión crítica de su aplicación. Como ventaje es que empodera a los docentes para innovar en sus clases. Limitación: exige tiempo y recursos; hay resistencia inicial. Es Impostante el requisito de la  formación de formadores y alianzas (p.ej. con industria o institutos educativos). Ejemplos tenemos alguni como la Universidad Peruana de Ciencias Aplicadas (UPC) ha capacitado a su profesorado en el uso de generadores de video con IA (Synthesia) para enriquecer la enseñanza.
• Infraestructura tecnológica y apoyo: Invertir en recursos: licencias de software de IA educativa, computación en la nube, plataformas de datos seguras y centros de recursos digitales. Ello brinda a toda la comunidad universitaria acceso equitativo a tecnologías. Es cierto que supone alto costo inicial y demandas de mantenimiento y requieire  presupuesto institucional y/o fondos externos. Ejemplo: el ecosistema ‘TECgpt’ de Monterrey requiere servidores dedicados y soporte técnico continuo.
• Evaluación alternativa e innovadora: Repensar los métodos de evaluación para detectar IA. Propone desarrollo de evaluaciones orales, proyectos colaborativos, portfolios y tareas creativas que midan competencias analíticas y originales. Ventaja: fomenta aprendizaje profundo y reduce plagio mecanizado. Se incrementa carga de corrección y requiere entrenamiento docente que hasta ahora se podía haber perdido. Entraña una voluntad de cambio de paradigma evaluativo. Ejemplo: algunas instituciones europeas experimentan con exámenes orales grabados o “debates redactados en tiempo real” para complementar pruebas escritas tradicionales.
• Colaboración universidad-industria: Establecer alianzas con empresas tecnológicas para acceder a herramientas avanzadas y experiencias prácticas. Ventaja: acceso a innovación de punta y proyectos reales; posibles fuentes de financiación. Limitación: riesgo de dependencia corporativa o sesgo comercial. Requisito: marcos contractuales claros y objetivos educativos definidos. Ejemplo: convenios con laboratorios de IA de Google o Microsoft, o participación conjunta en proyectos de investigación aplicada.
• Marcos éticos y reguladores: Adoptar códigos de ética específicos sobre IA (tal como propone la UNESCO), alineados con el futuro AI Act europeo y regulaciones locales (GDPR, etc.). Incluir enfoque de “Privacidad por diseño” y supervisión humana obligatoria. Adaptación de la Universidad a las guía de la AESIA para su implementación. 
• Ejemplo: la AEPD recomienda que las universidades diseñen sus políticas de IA respetando la seguridad de datos y evitando la arbitrariedad algorítmica.

A continuación, presento una tabla comparativa de propuestas (al menos 6), indicando ventajas, limitaciones, requisitos y ejemplos ilustrativos:

Propuesta / Solución	Ventajas	Limitaciones	Requisitos	Ejemplo aplicado
1. Políticas institucionales de IA	Claridad en el uso, confianza en la comunidad, prevención de abusos	Rápidamente obsoletas si no se actualizan, posible rigidez burocrática	Compromiso de rectorado, equipo interdisciplinar (IT, legal, pedagógico)	Normativas internas sobre ChatGPT en varias universidades
2. Currículo integrado en IA	Graduados con competencias relevantes, pensamiento crítico interdisciplinar	Requiere rediseño curricular extenso, necesidad de consenso académico	Expertos en IA educativa, financiamiento curricular	Inclusión de microcréditos de IA en planes de estudio (p.ej. Tecgpt en Monterrey)
3. Capacitación docente permanente	Docentes empoderados, pedagogía innovadora, adaptación docente continua	Tiempo limitado para formación, resistencia inicial de algunos profesores	Programas certificados, centros de capacitación, incentivos	Talleres de alfabetización IA ofrecidos por la UPC (perú) y otras universidades
4. Infraestructura tecnológica y recursos	Acceso equitativo a herramientas avanzadas, soporte técnico estandarizado	Elevado costo inicial y operativo, brecha entre instituciones con distinto presupuesto	Inversión en TI, alianzas con proveedores tecnológicos	Plataformas de IA educativa basadas en nube implementadas en red de universidades
5. Evaluación alternativa (portfolio, proyectos)	Promueve habilidades analíticas, dificulta el “plagio automático”, aprendizaje activo	Mayor carga de corrección docente, subjetividad en rúbricas de calificación	Capacitación en nuevas metodologías evaluativas, herramientas de monitoreo	Uso de proyectos grupales y rúbricas detalladas en cursos de informática
6. Colaboración industria-universidad	Acceso a innovación de punta, co-desarrollo de soluciones, inserción laboral de estudiantes	Dependencia comercial, alineación de intereses académicos con privados	Acuerdos formales, comités mixtos de seguimiento	Convenios de investigación con empresas de IA (p.ej. EON Reality con universidades panameñas)
7. Marcos éticos y regulatorios específicos	Salvaguarda derechos y equidad, guía la ética en el uso de IA, prepara para regulaciones futuras	Se percibe como abstracto si no se implementa en la práctica diaria	Comité de ética en IA, mecanismos de supervisión humana	Alineación con las recomendaciones de la UNESCO y el AI Act de la UE; políticas de privacidad desde el diseño

Casos de estudio y evidencia empírica que se presenta

 

La literatura reciente ofrece casos ilustrativos y datos empíricos sobre el impacto de la IA en la educación superior. En América Latina, la OEI (2026) reporta iniciativas concretas: el Tecnológico de Monterrey lanzó TECgpt, un ecosistema de IA generativa con chatbots y generadores de contenidos, ya usado por 81,000 usuarios para personalizar el aprendizaje. En Perú, la UPC inició el uso de Synthesia para que docentes generen videos educativos con avatares IA, simplificando la producción de clases multimedia.

A nivel académico, un estudio controlado en España (publicado en RIED) comparó dos grupos de estudiantes: uno con formación guiada en el uso de IAG y otro sin orientación. Los resultados fueron contundentes: el grupo formativo mejoró significativamente competencias digitales clave (gestión de la información y resolución de problemas), especialmente entre los estudiantes con menor nivel inicial. Esto demuestra el efecto compensatorio de un uso didáctico de la IA: reduce brechas iniciales y promueve aprendizajes más equitativos.

Asimismo, la revisión sistemática de Bond y colaboradores (2024) destaca que la IAG en educación ha concentrado la investigación actual en dos temas principales: la necesidad urgente de capacitación docente (54% de estudios analizados) y los desafíos de integridad académica (54%). Esta evidencia coincide con hallazgos de América Latina, donde se insiste en desarrollar marcos normativos propios y superar enfoques punitivos obsoletos. En conjunto, estos casos y estudios empíricos confirman que la IA en la universidad puede ser un factor de innovación o de inequidad según la forma de implementarla.

Recomendaciones prácticas y hoja de ruta (5 años proponen pero quizás la evaluación e implementación sea menor por los acontecimientos)

Para que las universidades lideren responsablemente la era de la IA, se recomienda:

• Desarrollar competencias institucionales: Crear observatorios o grupos de trabajo en IA que evalúen continuamente avances tecnológicos y normativos, y asesoren la toma de decisiones.
• Actualizar políticas y normas: Establecer o revisar códigos de integridad académica incluyendo definiciones de plagio generativo, obligando a declarar el uso de IA en trabajos. Como subraya la AEPD, se necesitan políticas de gobernanza claras, medidas de seguridad y alfabetización digital integrada.
• Fomentar la inclusión digital: Garantizar acceso a dispositivos y conectividad para todo el estudiantado, minimizando brechas socioeconómicas que la IA podría amplificar. Diseñar programas de inclusión centrados en grupos vulnerables.
• Promover la ética y ciudadanía digital: Impartir formación en ética de datos y ciudadanía digital; animar debates sobre el rol social de la IA en humanidades y ciencias sociales, tal como recomiendan expertos.
• Crear redes colaborativas: Participar en consorcios nacionales o regionales de educación e IA (p.ej. con ministerios, UNESCO, OEI, asociaciones universitarias) para compartir recursos, experiencias y buenas prácticas.
• Medir y evaluar: Incorporar indicadores en los procesos de calidad y acreditación sobre uso responsable de la IA; evaluar periódicamente el impacto de las iniciativas con encuestas y estudios internos.
• Atención al nuevo concepto jurisprudencial y normativo de la autoría y  los escritos y documentos realizados con apoyo de la IA generativa.

 

 

 

 

 

Referencias (APA) que se han utilizado

Angulo, J. B. (2026). Docencia e inteligencia artificial generativa en educación superior en América Latina: focos y vacíos de la investigación emergente (Revisión sistemática 2023-2025). Revista Realidad Educativa, 6(1), 153-189.

Corona Domínguez, B., & Alonso Núñez, M. C. (2026). Plagio académico y herramientas de inteligencia artificial generativa: una revisión sistemática sobre implicaciones éticas y normativas en universidades mexicanas. Ciencia y Reflexión, 5(1), 75-100.

Legaspi Barajas, R. E. (2025). Inteligencia Artificial y plagio académico: retos y regulaciones en la educación superior. Sin Contraseñas. Recuperado de https://revistadigital.univim.edu.mx/inteligencia-artificial-y-plagio-academico-retos-y-regulaciones-en-la-educacion-superior/

Sánchez-Trujillo, M. de l. Á., Bernabé-Sánchez, E., & Sáenz-Egúsquiza, F. D. (2025). Inteligencia artificial y formación docente: perspectivas de estudiantes de educación. Revista Eduweb, 19(3).

García-Hormazábal, R. (2025). Sesgos en la IA y educación superior: tipologías, impactos y mitigación para la formación universitaria de calidad. Revista de Estudios y Experiencias en Educación, 24(55).

Valentini, A., & Blancas, A. (2025). Los retos de la IA en la educación superior y el imperativo de los marcos de competencias. Documento de trabajo, UNESCO IESALC.

Organización de Estados Iberoamericanos para la Educación (OEI). (2026). La llegada de la IA a la educación superior en Iberoamérica: un mapa para diseñar estrategias institucionales (Estudio CEDDIE). OEI.

López Medina, C. (2024). Inteligencia Artificial en la Educación Superior y el derecho fundamental a la protección de datos personales: ¿innovación pedagógica o amenaza a la privacidad? Revista de Privacidad, Innovación y Tecnología, (156), 183-212.

UNESCO IESALC. (2025). Configurando el futuro: el impacto de la educación superior en las políticas nacionales de IA. UNESCO IESALC, 20 de marzo 2025.

UNESCO IESALC. (2025). Los retos de la IA en la educación superior y el imperativo de los marcos de competencias. Boletín de noticias UNESCO, 6 de agosto 2025.