Políticas institucionales de IA en universidades

El paso de la prohibición al diseño

#

La primera respuesta institucional masiva a ChatGPT, en enero de 2023, fue la prohibición. Universidades en varios países —incluida Sciences Po en Francia y varias instituciones australianas— prohibieron formalmente el uso de IA generativa en trabajos académicos. Esa fase duró meses. La segunda respuesta fue el silencio: instituciones que no se pronunciaron, esperando ver qué ocurría. La tercera, la actual, es el diseño explícito.

Hoy, las políticas que se mantienen son las que asumen que la IA es permanente y rediseñan en torno a ella. Universidades como Harvard, Stanford, Berkeley y Michigan han abandonado la prohibición en favor de un rediseño de la evaluación que articula el uso responsable (Jiang, 2025). El cambio de fase es importante porque las prohibiciones envejecieron mal: dejaron a las instituciones detrás de prácticas estudiantiles que ocurrían igual.

Tres modelos institucionales que conviven

#

Las políticas universitarias actuales se distribuyen en tres modelos que conviene reconocer:

Modelo descentralizado

#

Adoptado por Harvard, MIT, Stanford, Princeton y Yale. La política institucional fija principios generales y delega la decisión específica al docente o al programa: cada syllabus declara su política de IA (permitida, restringida, prohibida) según los objetivos de aprendizaje (Thesify AI, 2025; se trata de una recopilación divulgativa de una empresa del sector, útil como panorama y no como fuente académica). Las ventajas: flexibilidad disciplinar, respeto a la autonomía docente. La desventaja aparece del lado del estudiantado, que recibe señales distintas en cada asignatura justo cuando el uso ya es masivo: la encuesta de HEPI y Kortext a 1 041 estudiantes de licenciatura del Reino Unido registró en 2025 que el 92 % usaba alguna herramienta de IA y el 88 % la había usado para una evaluación, frente al 66 % y el 53 % del año anterior (Freeman, 2025). Con esa proporción, una política que delega todo al syllabus reparte la carga de interpretar la regla entre docentes que no siempre coinciden.

Modelo de principios comunes

#

Adoptado por el Russell Group de universidades británicas en 2023, con cinco principios de aplicación común: alfabetización en IA, uso ético, integridad académica, igualdad de acceso y formación docente (Russell Group, 2023). Las ventajas: coherencia institucional, lenguaje compartido, posibilidad de auditoría. Las desventajas: la traducción a decisiones disciplinares concretas queda como ejercicio interno de cada universidad miembro.

Modelo prescriptivo detallado

#

Adoptado por algunas universidades europeas y por instituciones técnicas como MIT en sus aspectos de seguridad de información: políticas con reglas operativas explícitas sobre qué herramientas usar, qué datos subir, qué procedimientos seguir. Las ventajas: claridad operativa, baja ambigüedad. Las desventajas: envejecen rápido, requieren actualización frecuente, generan resistencia docente cuando son demasiado restrictivas.

Los tres modelos reparten de maneras distintas una misma tarea: concretar acuerdos generales en decisiones de programa y de curso. Ese reparto puede representarse como ámbitos que desarrollan los mismos acuerdos con detalle creciente, donde la pregunta útil no es qué modelo adoptar, sino qué puede aclarar cada ámbito.

Lo que está convergiendo

#

A pesar de las diferencias entre modelos, cinco elementos aparecen en casi todas las políticas universitarias maduras de 2025:

• Alfabetización en IA como obligación institucional, no como oferta opcional. La universidad asume responsabilidad de formar a su comunidad en uso responsable de IA.
• Transparencia en el uso como principio operativo. Tanto estudiantes como docentes deben declarar cuándo y para qué usan IA.
• Rediseño evaluativo en lugar de detección. Las políticas actuales asumen que detectar IA es una carrera perdida y se concentran en evaluaciones que mantengan validez aunque la IA esté disponible.
• Provisión institucional de al menos una herramienta. Para no dejar la equidad librada al modelo gratuito que cada estudiante consiga.
• Mecanismo de revisión periódica. Las políticas se redactan con fecha de revisión explícita, normalmente cada doce meses, en reconocimiento del ritmo del cambio técnico.

Lo que se mantiene divergente

#

Tres puntos donde la convergencia no se ha producido y la discusión sigue abierta:

• Cómo citar el uso de IA. Las normas de citación (APA, MLA, Chicago) tienen propuestas distintas y ninguna se ha consolidado como estándar. Cada universidad opta por la que prefiere o redacta la suya.
• Hasta dónde llega la responsabilidad institucional. Algunas universidades asumen que la institución es responsable de asegurar uso ético; otras delegan al estudiante con políticas mínimas. Es una decisión filosófica sobre el modelo educativo, no técnica.
• Qué hacer con la IA en investigación posgraduada. El uso de IA en tesis, artículos y proyectos doctorales sigue sin marcos comparables a los del pregrado. Aquí la divergencia es notable.

Lo que falta en el panorama latinoamericano

#

Los ejemplos internacionales pueden ayudar a examinar una propuesta mexicana, siempre que se comparen su fecha, su alcance y las condiciones de cada universidad. Los documentos y debates de ANUIES recogidos en el marco regulatorio de universidades mexicanas ofrecen otro punto de partida. La existencia de esos referentes no acredita que una institución haya adoptado un modelo determinado.

Opciones para pensar en una universidad pública mexicana

#

El panorama internacional deja preguntas para una conversación colegiada. La opción adecuada depende de qué decisiones se necesitan compartir, qué diferencias disciplinares conviene conservar y qué capacidad existe para sostener los acuerdos.

• ¿Qué criterios conviene compartir y cuáles requieren adaptación disciplinar? Un marco común puede facilitar la coordinación, mientras los programas precisan qué usos sirven para sus actividades. Esa distribución necesita tiempo y personas que realicen la adaptación; en su ausencia, los principios pueden quedarse sin aplicación concreta. Las sugerencias para pensar una política de IA en la UdeG exploran esta posibilidad como insumo para conversar.
• ¿Cómo se explicará y citará lo que hizo la IA? La declaración puede indicar si la herramienta propuso ideas, redactó o revisó una parte; las convenciones de citación dependen del estilo, la revista y los acuerdos académicos aplicables. Un programa puede partir de esas referencias para preparar ejemplos comprensibles, indicar qué regla sigue cada actividad y revisar las dudas que aparezcan. No hace falta suponer que todos los estilos terminarán en una única norma.
• ¿Cuándo y con qué evidencia se revisará lo acordado? Una fecha de revisión ayuda a asignar esa tarea. El plazo puede elegirse según el alcance de la prueba, los cambios en el servicio o los problemas observados. Conviene dejar identificada también una señal que justifique revisar antes: por ejemplo, una barrera de acceso o una modificación del tratamiento de datos.

Lecturas relacionadas

#

El marco ético institucional sostiene los principios; los lineamientos éticos ofrecen las decisiones operativas; las sugerencias de política de IA para la UdeG —una propuesta de este sitio, no un documento oficial— traducen ambos a ese contexto.