Un docente responsable de una universidad británica impartió los mismos dos módulos de grado de economía y empresa durante tres cursos académicos: uno antes de ChatGPT, otro con estudiantes que usaban la IA por su cuenta y otro con la IA integrada en tutorías y talleres. Un estudio de 2026 publicado en Education and Information Technologies hizo un seguimiento de las calificaciones, la asistencia y las horas de estudio independiente en los tres cursos. Es una de las comparaciones más claras hasta ahora sobre la IA en la educación superior.

El acceso a la IA cambió poco por sí solo. El diseño del curso cambió lo que los estudiantes hicieron con ella. Otros cuatro estudios recientes, de Irlanda, de China, una revisión de bibliotecas académicas y un artículo conceptual sobre integridad académica, muestran dónde están las variables decisivas.

Lo que muestran los módulos británicos sobre la IA en la educación superior

En el módulo más pequeño, que aportó 31 observaciones a nivel de estudiante, la calificación global media pasó de 18 en el año previo a la IA a 14 en el año sin orientación y a 16 en el año con orientación. Esa recuperación no fue estadísticamente significativa. Las horas de estudio independiente pasaron de 23 a 26 y después a 57, y ese salto sí fue significativo.

El módulo más grande, con 103 observaciones, mostró la mejora más clara. Las calificaciones globales se mantuvieron en 16 en los dos primeros años y subieron a 18 en el año con orientación, un cambio estadísticamente significativo, mientras que las horas de estudio pasaron de 19 y 20 a 44. Son tres cohortes, no un experimento controlado.

Los resultados por competencia fueron desiguales. En el módulo más pequeño, la medida de pensamiento crítico (el ensayo del curso) cayó de 20 a 17 en el año sin orientación y se recuperó hasta 19 en el año con orientación, un cambio marginalmente significativo (p = 0.056). La nota de la presentación en el módulo más grande, que el estudio usa como indicador de las habilidades de comunicación, solo subió de 17 a 18, y no fue significativa. Las mejoras fueron mayores en el trabajo escrito y analítico que en las presentaciones.

Los 27 estudiantes que respondieron la encuesta de fin de curso fueron positivos. De ellos, el 72.2 % calificó la IA de útil o extremadamente útil en los talleres de diseño de árboles de decisión, y el 66.6 % la consideró eficaz o muy eficaz para resolver problemas en las tutorías. Los autoinformes de un grupo pequeño muestran percepción, no rendimiento, pero coinciden con la dirección de las calificaciones. Tres cohortes no bastan para resolver la cuestión de la IA en la educación superior en general, y por eso importan los otros cuatro estudios.

Qué hacen los estudiantes cuando la IA llega sin reglas

Violeta Morari y sus colegas encuestaron a 608 estudiantes de una universidad irlandesa durante el primer semestre de 2023-2024 y encontraron un estudiantado que espera orientación sobre la IA en la educación superior. Solo el 43 % dijo conocer las políticas de integridad de la institución. Al preguntarles si usar IA generativa en los trabajos es hacer trampa, el 43.9 % estuvo de acuerdo y el 32 % se mantuvo neutral.

Los estudiantes también dijeron que oían poco al respecto. Mientras que el 71.6 % afirmó que los docentes hablaban a menudo del plagio, solo el 23.1 % dijo lo mismo de los chatbots como ChatGPT. Los docentes enseñaban los problemas de integridad que ya sabían nombrar. Solo el 22.1 % estuvo de acuerdo en que la IA generativa mejora el aprendizaje, aunque muchos se mantuvieron neutrales, y la aceptación aumentó con la etapa académica.

Las señales sobre el cumplimiento fueron mixtas. Una mayoría, 352 frente a 251, quería una herramienta formal de denuncia, y el 58 % apoyaba una. Sin embargo, solo el 28 % dijo que denunciaría a un compañero, mientras que 258 dijeron que no lo harían y 176 no estaban seguros. Los estudiantes quieren que exista control del cumplimiento y se niegan a ser su instrumento. Una política que se apoya en la denuncia entre compañeros exige una conducta que la cohorte dice que no ofrecerá.

La historia de la tecnología educativa explica por qué la adopción sin estructura decepciona. En Failure to Disrupt, Justin Reich examinó los MOOC, los calificadores automáticos y los tutores informatizados. Concluyó que las tecnologías concebidas para el aprendizaje a gran escala no cumplieron sus promesas, que sus beneficios fueron sobre todo para los estudiantes con más recursos y que la reforma exitosa depende de un cambio institucional gradual. La IA generativa añade una complicación: las herramientas anteriores calificaban y daban tutoría, mientras que esta puede producir la propia tarea.

El pensamiento crítico decide quién se beneficia de la IA

Un estudio con 744 estudiantes universitarios de toda China continental, publicado por Yingchun Wang en Frontiers in Psychology, analizó qué distingue a los estudiantes que se benefician de la IA de los que no. Los estudiantes valoraron su alfabetización en IA en cuatro dimensiones: conciencia, uso, evaluación y ética. Una mayor alfabetización iba de la mano de una mayor autoeficacia académica, es decir, la confianza en la propia capacidad de superar con éxito las tareas del curso.

Para la IA en la educación superior, el mecanismo importa. La autoeficacia explicó entre el 26 y el 29 % del vínculo entre la alfabetización en IA y el rendimiento, según la dimensión. El pensamiento crítico modificó entonces el resultado. Entre los estudiantes una desviación estándar por encima de la media en pensamiento crítico, la conciencia sobre la IA predecía la autoeficacia con un coeficiente de 0.50. Entre los que estaban una desviación estándar por debajo, el coeficiente fue de 0.09 y estadísticamente indistinguible de cero.

Las otras tres dimensiones se dividieron de la misma manera: de 0.47 a 0.51 para el grupo alto y de 0.11 a 0.15 para el grupo bajo. La alfabetización aumentó la confianza solo allí donde los estudiantes podían juzgar lo que producía la máquina. Una herramienta amplifica el criterio de quien la maneja.

Una herramienta amplifica el criterio de quien la maneja.

Los datos provienen de un único momento y de autoinformes, y la medida de rendimiento es una valoración de seis ítems sobre cuán plenamente completan los estudiantes sus tareas, por lo que el orden causal sigue abierto.

Aun así, el resultado sugiere que enseñar a los estudiantes a manejar la IA no basta por sí solo para generar confianza, porque la mejora dependía de una capacidad distinta.

Un criterio de este tipo tarda en construirse y no viene incluido en el resultado. La comprensión basada en la experiencia que los estudiosos llaman conocimiento tácito pertenece a quien ha hecho el trabajo, y por eso un estudiante de primer año y un doctorando pueden leer el mismo párrafo generado por un modelo y hacer con él cosas completamente distintas. Enseñar a los estudiantes a evaluar lo que produce la IA debe preceder a enseñarles a depender de ella.

Por qué el diseño de la evaluación supera a la detección

El software de detección no puede soportar el peso que las universidades depositan en él cuando gobiernan la IA en la educación superior. El artículo conceptual de Alireza Maleki en Discover Artificial Intelligence sostiene que la detección de plagio resulta insuficiente porque el contenido generado por IA suele ser original por diseño. La gobernanza debe pasar de preguntar si el estudiante produjo un texto a preguntar cómo lo produjo y con qué herramientas.

Maleki organiza la integridad académica en cuatro capas interdependientes: gobernanza y políticas, diseño de la evaluación, normas institucionales y culturales, y agencia moral individual. El artículo no presenta datos. Su valor reside en la secuencia que describe, en la que la política da forma a la evaluación, la evaluación da forma a las normas culturales y las normas dan forma a las decisiones morales que toman los estudiantes.

Los módulos británicos ilustran el mismo punto. En el módulo más pequeño, una regresión que controlaba la asistencia dio al uso de IA sin orientación un coeficiente negativo significativo sobre las calificaciones globales y a las horas de estudio independiente uno positivo significativo. En el módulo más grande, el efecto del uso sin orientación fue pequeño y cambió según el método de estimación. Cuando el curso daba a los estudiantes una razón estructurada para estudiar, las horas y las calificaciones subieron.

La alternativa práctica a la detección es evaluar el proceso. Una tarea en varias etapas, con una propuesta, un borrador, comentarios de los compañeros y una versión final, da al estudiante una razón para pensar en cada etapa. Una breve defensa oral confirma que el autor entiende el argumento. Una declaración escrita de qué herramientas se usaron, para qué y por qué deja un rastro que el docente puede leer.

Neil Selwyn planteó la idea de fondo en Should Robots Replace Teachers? antes de que existiera ChatGPT. Tras examinar los robots en las aulas, los sistemas de tutoría inteligente, la analítica del aprendizaje y la toma de decisiones automatizada, sostuvo que incorporar la IA a la enseñanza es una elección que pertenece a los debates sobre valores, juicio y política. La evaluación basada en el proceso es esa elección hecha concreta.

Las brechas de capacidad deciden quién recibe orientación

La estructura cuesta tiempo del personal, y el tiempo del personal cuesta dinero. Eso convierte la financiación en una cuestión central para la IA en la educación superior. Una revisión sistemática de Lateef Ayinde, Raphael Ebiefung y Bolaji David Oladokun publicada en The Journal of Academic Librarianship examinó 29 estudios de 2020 a 2024 sobre la IA en las bibliotecas académicas. La financiación fue el obstáculo citado con más frecuencia, presente en 14 de los 29 estudios, es decir, el 48 %.

El resto de la lista se lee como un mapa de capacidades desiguales. Ocho estudios informaron de habilidades informáticas limitadas entre los bibliotecarios, seis de infraestructura inadecuada, tres de un suministro eléctrico poco fiable y cuatro de miedo a perder el empleo. Los autores señalan que a las instituciones de los países en desarrollo les cuesta en particular asignar fondos específicos a la IA. La revisión abarca solo estudios en inglés, por lo que falta la producción académica en otros idiomas.

Una política redactada en una universidad de investigación bien financiada no se trasladará a una institución que no puede pagar la formación. El acceso a un uso guiado de la IA depende entonces de una decisión presupuestaria. Las instituciones están adoptando la IA en la educación superior en medio de cambios más amplios en el uso y la gobernanza de la IA, y la brecha de capacidad decide qué estudiantes se benefician.

Una política viable para la IA en la educación superior

En conjunto, los cinco estudios respaldan cuatro compromisos para las instituciones. Constituyen una propuesta extraída de la evidencia, y ningún artículo pone a prueba el conjunto como tal. Cada compromiso responde a una laguna que los estudios dejan ver: reglas poco claras, proceso inobservable, criterio desigual y capacidad desigual.

• Redacte una regla para cada tarea. Indique qué usos de la IA están permitidos, cuáles están prohibidos y por qué, en el propio enunciado de la tarea y no en un documento válido para toda la universidad.
• Evalúe el proceso. Use entregas por etapas, breves defensas orales y declaraciones cortas sobre el uso de la IA para que el camino hacia el texto final sea visible.
• Enseñe a evaluar antes de usar. Wang propone un modelo en el que los estudiantes generan contenido con IA, luego entregan un informe de análisis crítico que examina la exactitud factual, la lógica argumentativa, los posibles sesgos y la fiabilidad de las fuentes, y por último reescriben el trabajo separando su propia contribución de la de la máquina. Convertir ese informe en una competencia evaluada de primer año pone la evaluación por delante de la dependencia.
• Financie al personal. El uso estructurado requiere a alguien que lo estructure, lo que significa tiempo de formación, capacidad de las bibliotecas y horas de docencia.

Dos objeciones al uso estructurado de la IA

La objeción más fuerte es que la estructura puede estar haciendo todo el trabajo. En los módulos británicos, el año con orientación trajo también mayor asistencia y muchas más horas de estudio independiente, de modo que los datos no pueden separar el efecto de la IA del efecto de cualquier rediseño exigente. Esa lectura es razonable y respalda el argumento: si un curso bien estructurado sin IA produjera el mismo resultado, el diseño seguiría siendo lo que determina los resultados.

Una segunda objeción proviene de los docentes partidarios de la prohibición: cualquier uso de un modelo elimina el esfuerzo arduo que produce el aprendizaje. El año sin orientación respalda en parte esa preocupación: las medias del examen final en el módulo más pequeño bajaron de 22 a 14. Una prohibición necesita una forma de hacerla cumplir, y la detección falla cuando el texto es original por diseño. La prohibición solo obliga entonces a los estudiantes que deciden respetarla.

La resistencia pública a la IA ahora se extiende más allá de los debates técnicos sobre regulación, y a las universidades se les preguntará qué ganan realmente sus estudiantes. La evidencia necesaria para orientar la IA en la educación superior ya está al alcance: tareas por etapas, seguimiento del tiempo de estudio y grupos de comparación que mantengan fija la carga de trabajo. Las instituciones que hagan esas comparaciones sabrán qué aporta la IA al aprendizaje. Las demás seguirán debatiendo una herramienta cuyo uso no pueden ver.