Una estudiante de ingeniería recibe una función que parece resolver un problema; una interna de salud lee un resumen convincente de una consulta simulada; una estudiante de historia encuentra una interpretación pulida de un documento. En los tres casos una herramienta puede acelerar una parte del trabajo. Pero las preguntas que deciden si el resultado sirve no son las mismas: en un caso importa probar el comportamiento de un sistema, en otro contrastar una afirmación con una fuente clínica autorizada y en otro volver al texto, su procedencia y sus silencios.
La IA está cambiando tareas profesionales, pero ese enunciado no permite anticipar por sí solo qué empleo desaparecerá ni qué debería hacer una universidad. La Organización Internacional del Trabajo estima que una de cada cuatro personas trabaja en una ocupación con alguna exposición potencial a IA generativa y que la transformación de tareas es más probable que el reemplazo completo. Esa medición combina tareas, consultas a personas trabajadoras y juicio experto; no cuenta despidos ni pronostica el destino de una profesión o de una persona concreta. La OIT explica el método y sus límites.
La pregunta curricular es más precisa: ¿qué tareas ayudan a una persona a formar el criterio que luego necesitará para usar, revisar o rechazar una salida de IA? La respuesta cambia según el campo, el momento de la trayectoria, el tipo de riesgo y las condiciones de acceso. Esta página propone una lectura para discutir esas diferencias; no describe una política vigente de la UdeG, no sustituye acuerdos de curso o programa y no ofrece consejo clínico ni legal.
Tres distinciones antes de hablar del futuro del trabajo#
Una tarea es una operación situada: redactar una nota, detectar una anomalía, localizar una fuente, proponer una variante de diseño o revisar una excepción. Una capacidad formativa es lo que permite hacer esa operación con comprensión: interpretar evidencia, reconocer un límite, formular una pregunta pertinente, documentar una decisión y responder por sus consecuencias. Las condiciones son lo que vuelve posible o seguro el ejercicio: fuentes disponibles, tiempo para revisar, acceso, datos que no se comparten, supervisión y reglas aplicables.
Confundir estas tres cosas lleva a dos errores opuestos. El primero supone que, si una herramienta ejecuta una tarea, ya no hace falta aprenderla. El segundo exige practicar siempre sin herramientas, aunque el trabajo profesional sí las incorpore. En ocasiones conviene aprender primero una operación sin IA porque ahí se forma la base para detectar un error; en otras, una herramienta puede liberar tiempo para comparar alternativas o discutir consecuencias. La decisión debe hacerse visible y poder revisarse.
También conviene distinguir exposición de pérdida de empleo. Exposición significa que ciertas tareas de una ocupación podrían ser afectadas por sistemas generativos; no equivale a automatización realizada, despido, descenso salarial ni desaparición de una carrera. La OIT subraya justamente esa diferencia y registra una exposición desigual por ocupación y género. Una cifra global sirve para abrir preguntas sobre el trabajo, no para decidir la orientación de una persona.
Por último, una encuesta, una promesa comercial y un resultado observado responden preguntas diferentes. Una encuesta puede describir quién declara usar una herramienta o qué teme; una demostración puede mostrar que el sistema resuelve una prueba; un estudio de campo o un experimento examina qué ocurrió en una condición delimitada. Ninguno sustituye a los otros. Por ejemplo, la encuesta 2025 de Stack Overflow recoge percepciones de una comunidad autoseleccionada de personas que programan; el experimento de METR estudió 16 desarrolladores con experiencia, 246 tareas y repositorios maduros. Ambos son informativos, pero ninguno representa todo el trabajo de software. En ese experimento concreto, permitir herramientas de IA aumentó el tiempo de realización, a pesar de que participantes y especialistas anticipaban lo contrario. Encuesta y método de Stack Overflow · estudio de METR.
Siete campos: no cambian las mismas tareas ni se comprueba del mismo modo#
Los siete recorridos siguientes no son un catálogo de carreras ni un pronóstico de contratación. Sirven para localizar una operación, la capacidad que la sostiene y la condición que impide convertir la eficiencia aparente en una decisión irresponsable.
Salud#
En salud, una herramienta puede transcribir, resumir documentación o proponer hipótesis para un caso simulado. La capacidad que no se deduce de una salida fluida es valorar una afirmación con información suficiente, reconocer qué falta y contrastar con las fuentes que el campo considera autorizadas. Esa comprobación importa más, no menos, cuando un resultado parece plausible.
La encuesta 2026 de la American Medical Association registra mayor adopción y expectativas de utilidad entre médicos estadounidenses; es una fotografía de ese gremio y no evidencia de seguridad clínica ni de mejores resultados para pacientes. La AMA publica el estudio y su fecha. Para la formación, el caso no autoriza a delegar una decisión: permite preguntar qué parte del razonamiento se debe practicar antes de usar una herramienta como apoyo y qué supervisión, fuente y protección de datos hacen falta. Esta página no da indicaciones de diagnóstico, tratamiento ni dosificación.
Ciencias de la vida y del territorio#
En biología, ambiente, agronomía o veterinaria, la IA puede reconocer patrones en imágenes, sensores o secuencias y ayudar a generar hipótesis. La capacidad formativa consiste en comprender qué representa el dato, qué población o condición queda fuera y qué observación o experimento sería necesario para sostener una conclusión. Una predicción no es todavía una validación experimental; una señal de sensor tampoco reemplaza la observación situada de un territorio o de un organismo.
Un referente sectorial reciente ayuda a precisar esas condiciones. La Unidad de Agricultura Digital de la FAO presenta su hoja de ruta de 2025 como un recorrido desde la definición del problema hasta la prueba, el prototipo y la escala; además, vincula la gobernanza de datos con los derechos y la soberanía de quienes producen. La página institucional de la FAO describe ese marco y sus servicios de validación. No demuestra que una recomendación agronómica sea correcta ni que el esquema esté adoptado en un territorio mexicano: es una propuesta de la organización para orientar pruebas y salvaguardas. En una actividad, el grupo puede comparar una predicción con el registro de campo provisto, nombrar qué variable local falta y proponer una comprobación antes de tratar el resultado como recomendación.
Ciencias exactas e ingenierías#
Los modelos pueden escribir borradores de código, sugerir configuraciones, acelerar cálculos o proponer una demostración. La pericia no se reduce a recibir una respuesta que compila o una gráfica que parece coherente. Incluye descomponer el problema, definir supuestos, probar casos límite, revisar seguridad, trazabilidad y mantenimiento, y reconocer cuándo falta evidencia para desplegar una solución.
El contraste entre la encuesta de desarrolladores y el experimento de METR muestra por qué no conviene hacer una regla con una sola fuente. La primera recoge usos y expectativas de participantes voluntarios; el segundo observa un grupo pequeño y experto en tareas reales de repositorios que ya conocían. Ambos invitan a enseñar verificación del código y juicio de contexto, no a concluir que la IA siempre acelera o siempre perjudica. En ingenierías que afectan infraestructura, personas o ambiente, la responsabilidad profesional y la revisión independiente no desaparecen porque un sistema proponga un diseño.
Derecho y gobierno#
En derecho y gobierno, la IA puede ordenar documentos, localizar patrones o ayudar a formular preguntas de investigación. Lo que no puede quedar implícito es qué fuente oficial respalda una afirmación, qué regla aplica en una jurisdicción determinada y quién responde por una decisión que afecta derechos, recursos o procedimientos. Una cita que parece verosímil no equivale a una fuente verificada.
En México, la jurisprudencia II.2o.C. J/2 K (12a.), registro digital 2031640, relata el uso de IA para calcular una garantía en recursos de amparo y fija, para la función jurisdiccional, proporcionalidad e inocuidad, protección de datos, transparencia y explicabilidad, además de supervisión y decisión humanas. El Semanario Judicial publica el criterio. Es un criterio jurisprudencial sobre la función jurisdiccional, no una regla para todo trabajo jurídico, una licencia para delegar interpretación ni asesoría para un caso. Su uso pedagógico puede ser más acotado: pedir que el grupo compare una afirmación con el repositorio oficial, señale qué parte necesita comprobación y explique por qué no trasladaría el criterio a otra materia o jurisdicción sin revisarla.
Ciencias económico-administrativas#
En contaduría, auditoría, administración, economía y turismo, la IA puede clasificar transacciones, generar escenarios, detectar excepciones o resumir información de mercado. La tarea que se vuelve visible es decidir qué excepción investigar, qué supuesto cuestionar, qué dato no es comparable y qué efecto tendría una recomendación sobre otras personas. Revisar no significa confirmar mecánicamente lo que marcó un sistema: exige entender por qué esa salida importa y qué evidencia faltaría.
La Oficina del Contador en Jefe de la SEC señaló en diciembre de 2025 que la IA está más integrada en la información financiera y en los procesos de auditoría, y que examina si el marco de independencia necesita actualización ante esas complejidades. La declaración oficial advierte también que expresa la posición de su autor, no crea obligaciones y pertenece al marco estadounidense. No permite inferir una regla mexicana ni un resultado de auditoría. Sí permite un ejemplo formativo: con transacciones ficticias, pedir que el grupo justifique qué excepción revisaría primero, qué dato adicional solicitaría y qué afirmación no haría todavía sobre el estado financiero.
Ciencias sociales y humanidades#
En comunicación, historia, filosofía, letras, sociología o trabajo social, una IA puede producir un resumen, un guion o una interpretación que suena segura. El trabajo disciplinar consiste en reconstruir la procedencia de la información, analizar categorías, reconocer ausencias y contrastar interpretaciones. En investigación social, una respuesta sintética no sustituye a la población estudiada ni resuelve los problemas de muestra, consentimiento o representación.
La American Historical Association plantea sus principios para la enseñanza de historia como una guía que debe adaptarse a condiciones locales, no como una política universal. Insiste en que los productos de IA requieren verificación y que el pensamiento histórico no se reemplaza por una respuesta convincente. Principios de la AHA, aprobados en 2025. En periodismo, el informe 2026 del Reuters Institute documenta cambios en las vías de acceso a las noticias y dedica un apartado al uso emergente de chatbots; describe a consumidores de noticias, no una medida de calidad periodística. Digital News Report 2026.
Artes, arquitectura y diseño#
En estos campos, una herramienta puede producir variantes visuales, apoyar la visualización temprana o asistir con tareas de gestión. La capacidad profesional incluye formular un propósito, seleccionar y transformar una propuesta, entender la relación con el contexto, revisar restricciones materiales y responder por las implicaciones de derechos, accesibilidad, seguridad o autoría según el proyecto.
El informe 2026 del Royal Institute of British Architects indica que 74% de los despachos participantes usa IA en alguna parte de sus proyectos, a la vez que registra preocupaciones por ambiente, propiedad intelectual y las trayectorias de carrera temprana. Es una encuesta del gremio británico, no un retrato de México ni una prueba de que el uso mejore todo proyecto. Informe de RIBA. Para aprender, conviene pedir una explicación de la selección, las fuentes de referencia y los límites de una propuesta, además de la imagen o el modelo resultante.
De la profesión al currículo: conservar práctica, abrir apoyos y cuidar condiciones#
No hace falta convertir cada asignatura en capacitación de una herramienta. Un programa puede elegir una operación que promete formar —interpretar una radiografía simulada, probar un sistema, leer una fuente, revisar una excepción o defender una decisión de diseño— y decidir cuándo debe practicarse sin asistencia, cuándo la IA puede proponer una hipótesis, una objeción o un primer borrador y qué evidencia permitirá reconocer la comprensión.
En los primeros tramos, la práctica autónoma suele dar a quienes aprenden un punto de comparación para reconocer errores. Más adelante, una herramienta puede entrar como una objeción, un caso contrario, una propuesta de variante o una segunda revisión; la persona conserva la decisión y explica qué comprobó. Esto no dibuja una escalera universal: la experiencia previa, el riesgo de error y el propósito de la actividad pueden justificar otro orden.
En posgrado, la pregunta añade investigación, autoría y defensa. Explorar términos, ordenar una búsqueda o mejorar la claridad de una redacción puede ser compatible con una investigación rigurosa si se acuerda con quien supervisa, se conserva la responsabilidad por el texto y se comprueban las fuentes. No lo es entregar como propia una lectura o una síntesis que no se puede defender. Una ficha breve puede pedir: pregunta de investigación, material que no se compartirá, fuente primaria que se revisará fuera de la IA, cambio aceptado o descartado y límite de la conclusión. Esa ficha prepara una conversación de supervisión; no reemplaza acuerdos del programa ni normas editoriales.
La transformación pedagógica y digital ofrece el contexto curricular para situar esta conversación junto al aprendizaje activo, la evaluación y el syllabus. El paso siguiente no es adoptar una regla idéntica para todas las materias: es identificar qué capacidad se debe asegurar, qué espacio queda abierto a la exploración y cómo se revisará la decisión después de probarla.
Ejercicio sin calificación: Compara qué se verifica en tres disciplinas#
Este ejercicio sirve para estudiantes avanzados, docentes o equipos que diseñan actividades. Su propósito es mostrar que las mismas tres preguntas —qué tarea puede realizar la IA, qué debe comprobarse y qué decisión debe explicarse— reciben respuestas diferentes según la evidencia y el riesgo del caso. No asigna calificación ni sirve para determinar si alguien «usó bien» una IA. La devolución describe si la decisión identifica una fuente pertinente, delimita su alcance y conserva una razón revisable.
No hace falta resolver los tres ni dominar los tres campos: puedes trabajar sólo el más cercano a tu disciplina y leer los otros dos como ejemplos de que la comprobación cambia de forma según el caso. Los tres ya incluyen los materiales necesarios; puedes copiarlos como fichas o proyectarlos. Ninguno utiliza datos de una persona real, un expediente, una instalación en funcionamiento ni una obra de archivo existente. Pueden trabajarse con los textos que siguen —la variante sin IA— o pedir a una IA autorizada que formule otra afirmación equivalente sin alterar los datos de partida.
Microcaso 1 · clínico ficticio y educativo
Materiales ficticios. La ficha docente «S-17: revisar antes de cerrar un resumen» contiene esta regla inventada para la actividad: «Un resumen de caso sólo puede cerrarse si identifica el momento de observación, el dato original que respalda la afirmación y la persona responsable de revisar una duda; si uno falta, el resumen queda pendiente». Un asistente de IA entrega esta frase: «Como la ficha no menciona alertas, el equipo puede cerrar el resumen sin revisión adicional». La ficha S-17 sólo dice «observación registrada», sin fecha, sin dato original y sin responsable.
La decisión es elegir entre sostener, dejar pendiente o descartar la frase de la IA. El producto es una nota de tres líneas que nombre los tres faltantes y explique qué impide cerrar el resumen. No se pide diagnosticar, tratar, elegir una medicación ni consultar una fuente clínica externa: se aprende a reconocer el límite de una afirmación con información insuficiente.
Revisa tu decisión. Si la decisión es sostener, la devolución es: «Revisa la ficha: la ausencia de una alerta escrita no prueba que el resumen esté completo. Faltan momento, dato original y responsable». Si es dejar pendiente, la devolución es: «Decisión bien delimitada: identificaste que aún no hay base para cerrar. Añade cuál de los tres faltantes buscarías primero». Si es descartar, la devolución es: «Es defendible descartar la conclusión automática; para completar la nota, explica por qué descartas la frase y no los datos del caso».
Microcaso 2 · decisión técnica
Materiales ficticios. El caso usa un depósito simulado, no un sistema real. La especificación dice: «Si el nivel llega a 90 unidades ficticias, la válvula se cierra. Si el sensor no entrega lectura en un ciclo, la válvula se cierra y se registra ALERTA_SENSOR». El asistente propone este pseudocódigo:
nivel = leerSensor() ?? ultimoNivel
si nivel < 40:
abrirValvula()
si nivel >= 90:
cerrarValvula()El registro de prueba es: minuto 0, lectura 38 y válvula cerrada; minuto 1, sin lectura; en la bitácora física ficticia de prueba, el nivel era 92. El código conserva 38 como ultimoNivel, abre la válvula y no registra alerta. La afirmación del asistente es: «Este cambio evita todos los desbordamientos».
La decisión es aprobar el cambio para una simulación posterior, pedir corrección o rechazar esa afirmación como no demostrada. El producto es una nota que relacione una línea del pseudocódigo, el minuto 1 y la condición de seguridad incumplida. No basta con que el fragmento parezca ordenado o compile.
Revisa tu decisión. Si se aprueba el cambio, la devolución es: «Vuelve al minuto 1: el requisito exigía cerrar y alertar ante ausencia de lectura; el código reutiliza 38 y abre la válvula». Si se pide corrección, la devolución es: «Decisión adecuada si indicas que sin lectura debe tratarse antes de reutilizar el último valor y explicas cómo comprobarías el cierre y la alerta». Si se rechaza la afirmación, la devolución es: «Identificaste que ‘evita todos’ excede la evidencia. Completa la nota diciendo si rechazas el código entero o sólo la promesa hasta que exista una prueba de falla».
Microcaso 3 · interpretación humanística
Materiales ficticios. Todo el archivo de este caso es inventado. Carta de Inés Valdés a Marta R., Puerto Claro, 4 de abril de 1920: «El tranvía deja polvo en la ventana y hoy extraño el silencio del huerto. Aun así, mañana iré a la biblioteca de la ciudad: allí encontré las actas que necesitaba para mi trabajo». Pasaje A, cuaderno de Inés, 17 de mayo de 1920: «No quiero elegir entre la calle y el campo; en ambos lugares aprendo a mirar». Pasaje B, nota de procedencia ficticia: «La carta y el pasaje del cuaderno fueron copiados por una sobrina en 1958; no se conservan los originales». Un chatbot afirma: «La carta prueba que Inés rechaza por completo la vida urbana».
La decisión es sostener, matizar o descartar la interpretación. El producto contiene una cita breve, una inferencia marcada como tal y una frase sobre el límite de procedencia. Al revisar tu nota, comprueba si la interpretación puede defenderse con los pasajes y si nombra lo que todavía no se sabe.
Revisa tu decisión. Si se sostiene la interpretación total, la devolución es: «La frase “por completo” no se sostiene: Inés planea ir a la biblioteca urbana y el pasaje A rechaza la oposición absoluta». Si se matiza, la devolución es: «Decisión bien fundada si propones que expresa incomodidad ante un aspecto de la ciudad, no rechazo total, y citas los dos pasajes». Si se descarta, la devolución es: «Es defendible descartar la conclusión del chatbot; añade qué tensión entre ciudad y campo sí aparece en el texto para no reemplazar una exageración por silencio».
Ejemplo trabajado: tres decisiones, tres comprobaciones#
Una resolución posible permite ver qué se espera del producto, sin convertirla en la única respuesta aceptable. En el caso clínico ficticio, la decisión sería dejar pendiente: «La ficha no identifica el momento de observación, el dato original ni a la persona que resolvería una duda. No puedo cerrar el resumen sólo porque no aparezca una alerta; primero pediría el dato original». La comprobación no trata una condición de salud: contrasta la frase con la regla docente inventada.
En el caso técnico, una respuesta podría pedir corrección: «En el minuto 1 no hubo lectura; la especificación exige cerrar la válvula y registrar ALERTA_SENSOR. El pseudocódigo reutiliza 38 y abre la válvula, así que la condición de seguridad falla. Antes de otra simulación probaría explícitamente el cierre y el registro ante sensor ausente». Aquí se comparan requisito, ejecución de prueba y promesa de alcance; que el código compile no demuestra que sea seguro.
En el caso humanístico, la decisión razonada sería matizar: «El polvo y la añoranza del huerto muestran incomodidad ante un aspecto de la ciudad, pero la biblioteca urbana y el pasaje A impiden afirmar un rechazo total. La copia de 1958 sin original limita la certeza sobre la procedencia». La fuente no se usa para producir una certeza absoluta, sino para sostener una interpretación proporcional a lo que los pasajes permiten.
Después de trabajar los casos, reúne al grupo para comparar no la respuesta «correcta», sino las diferencias entre sus comprobaciones. En salud simulada, la cuestión es qué información provista permite o impide cerrar un resumen; en ingeniería, qué prueba y condición de falla sostienen una promesa técnica; en humanidades, qué pasaje y contexto hacen defendible una interpretación. Cada persona deja una nota de seis líneas con esta estructura: «En este caso debía verificar…, con…, porque el error relevante sería…; por eso decidí…».
La variante sin IA conserva exactamente el mismo trabajo. En vez de una salida de chatbot, quien facilita entrega una afirmación redactada por una persona, una objeción de un par o una tarjeta de caso contrario. La fuente que se revisa, la decisión y la devolución no cambian. Así, usar IA no se convierte en requisito de acceso ni no usarla se castiga con una actividad menor.
Valora si conviene que la IA prepare el primer borrador de una actividad propia#
Los tres microcasos anteriores comparan campos ajenos. Lo que sigue trabaja sobre una sola actividad: una tuya, la que quieras. No hace falta haber resuelto los tres microcasos ni llenar una tabla de disciplinas; están ahí como referencia, no como requisito previo.
La sugerencia que vas a valorar circula mucho en talleres y academias, y aparece escrita completa aquí abajo para que no necesites pedírsela a ninguna herramienta ni abrir una cuenta:
«Que la IA escriba la primera versión del trabajo y que el estudiante entregue la mejor versión que consiga a partir de ella.»
Suena razonable, y en algunas actividades funciona bien. En otras retira justo la operación que la actividad quería formar. Cuál de las dos cosas ocurre no se decide en abstracto: depende de qué practica esa actividad tuya en particular y de qué sabes de ella por haberla aplicado antes. Por eso la valoración se hace sobre una actividad concreta y no sobre la sugerencia en general.
Las tres salidas son legítimas. Puedes conservar la sugerencia tal como está, transformarla para que entre en otro momento o con otra condición, o no incorporarla a esa actividad. Ninguna es la respuesta esperada, y conservarla exige la misma explicación que rechazarla: qué comprobaste y por qué resulta pertinente en tu caso.
Tres valoraciones simuladas, por si ayudan#
Los tres ejemplos que siguen son casos construidos para esta página, no aplicaciones observadas ni pilotajes: nadie realizó estas sesiones y las personas que aparecen no existen. Sirven para mostrar cómo se ve una comprobación hecha contra la instrucción y el material descritos, que es lo que sí puedes reproducir con tu actividad. Son opcionales: puedes hacer el ejercicio sin leerlos. Cada uno parte de la misma sugerencia y llega a una decisión distinta.
Caso simulado · ingenierías · la decisión fue transformar
La actividad pide escribir una función que valide lecturas de un sensor y decida si abre o cierra una válvula. Lo que quiere formar es que la persona note por su cuenta el caso de la lectura ausente, porque ese descuido es el que produce fallas.
La comprobación (simulada). En el caso construido, quien imparte la asignatura escribe a mano la primera versión que la sugerencia produciría y la contrasta con la instrucción de la actividad: esa versión ya trata la lectura ausente, de modo que quien partiera de ahí no se toparía con el descuido que la actividad quería provocar. La comprobación se hace contra el material descrito, sin necesidad de aplicarla a un grupo.
La decisión: transformar. La versión generada entra después del primer intento del estudiante, como segunda opinión. La entrega incluye ambas versiones y una línea sobre cuál resuelve la lectura ausente y cómo lo comprobó. La sugerencia no se descarta; cambia de momento.
Caso simulado · ciencias sociales y humanidades · la decisión fue no incorporar
La actividad es la primera lectura de una fuente que el grupo no conoce. Lo que quiere formar es el desconcierto inicial ante un texto y el trabajo de fijar un sentido a partir de los pasajes.
La comprobación (simulada). En el caso construido, quien imparte la asignatura redacta la primera versión que la sugerencia podría producir: una lectura fluida del texto. Contrastada con lo que la actividad pide entregar —una interpretación sostenida en pasajes citados—, se observa que esa primera versión ya viene con una interpretación propuesta, que tendría que contrastarse con la fuente antes de usarla. Qué haga después cada persona con ella no se puede saber desde este ejercicio.
La decisión: no incorporar en esa fase. La primera lectura sigue sin apoyo. La sugerencia se reserva para la fase de revisión, cuando cada persona ya tiene una interpretación propia que defender frente a otra. No es un rechazo de la herramienta; es una decisión sobre en qué momento entra.
Caso simulado · ciencias económico-administrativas · la decisión fue conservar
La actividad pide comparar dos formatos públicos de reporte financiero en una tabla. Lo que quiere formar es la elección de las columnas: qué vale la pena comparar y por qué, no la mecánica de armar la tabla.
La comprobación (simulada). En el caso construido, quien imparte la asignatura escribe la primera versión que la sugerencia produciría y encuentra una tabla ordenada con dos filas mal delimitadas en su alcance. Contrastada con lo que la actividad quiere formar, esas dos filas son justamente el punto de discusión buscado: la sugerencia trae el desacuerdo servido en vez de retirarlo.
La decisión: conservar. El primer borrador entra como apoyo, tal como propone la sugerencia. La actividad no cambia: sus condiciones ya pedían decir contra qué fuente se comprobó cada fila, y esa exigencia se aplica igual a un borrador propio o generado. Puede ocurrir que ninguna celda necesite corrección; eso también se dice. Conservar aquí tiene una razón comprobada, no la comodidad de no cambiar nada.
Las tres decisiones son defendibles porque cada una nombra contra qué se comprobó la sugerencia: contra la instrucción y el material de la actividad, no contra un resultado observado. Un borrador hipotético permite examinar el diseño de una actividad; no permite anticipar lo que una herramienta produciría ni qué efecto tendría en quien aprende. La misma sugerencia, aplicada a tres actividades distintas, no da la misma respuesta: eso es lo que la comparación entre campos de esta página venía anticipando. Nada de esto describe una posición de la Universidad de Guadalajara sobre el uso de IA; es una manera de decidir en tu propia actividad y de poder explicar la decisión a tu academia.
Qué puede y qué no puede sostener esta lectura#
Las fuentes de esta página muestran cambios observados o expectativas de colectivos concretos en 2025 y 2026. La OIT mide exposición potencial por tareas; AMA, Stack Overflow y RIBA reportan encuestas de sus propios públicos; METR estudia una condición experimental específica; AHA formula orientación profesional; Reuters Institute investiga consumo de noticias. Ninguna de estas fuentes demuestra efectos sobre el empleo local, la calidad de una carrera, la seguridad de una herramienta ni una política institucional de la UdeG.
Lo que sí permiten es una conversación mejor delimitada. Antes de añadir o retirar una herramienta de una actividad, conviene preguntar: ¿qué práctica forma el criterio profesional?, ¿qué evidencia haría visible esa práctica?, ¿qué dato, fuente o consecuencia exige cuidado?, ¿qué alternativa permite el mismo aprendizaje y qué quedará pendiente de revisar? La respuesta puede cambiar con la disciplina y con la experiencia; debe poder explicarse antes de convertirse en rutina.
Fuentes consultadas#
- American Medical Association. (2026, 12 de marzo). Physician survey on augmented intelligence. https://www.ama-assn.org/practice-management/digital-health/physician-survey-augmented-intelligence
- American Historical Association. (2025, 5 de agosto). Guiding principles for artificial intelligence in history education. https://www.historians.org/resource/guiding-principles-for-artificial-intelligence-in-history-education/
- Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity (arXiv:2507.09089, versión 2). https://arxiv.org/abs/2507.09089
- International Labour Organization. (2025, 20 de mayo). Generative AI and jobs: a 2025 update. https://www.ilo.org/publications/generative-ai-and-jobs-2025-update
- Reuters Institute for the Study of Journalism. (2026). Digital News Report 2026. https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2026
- Royal Institute of British Architects. (2026). RIBA AI Report 2026. https://www.riba.org/work/insights-and-resources/ai-report/
- Food and Agriculture Organization of the United Nations. (2025). Digital agriculture and AI innovation. https://www.fao.org/innovation/digital-agriculture-and-ai-innovation/en
- Semanario Judicial de la Federación. (2026). Inteligencia artificial aplicada en procesos jurisdiccionales. Elementos mínimos que deben observarse para su uso ético y responsable con perspectiva de derechos humanos (jurisprudencia de Tribunales Colegiados de Circuito, registro digital 2031640). https://sjf2.scjn.gob.mx/detalle/tesis/2031640
- U.S. Securities and Exchange Commission, Office of the Chief Accountant. (2025, 19 de diciembre). Statement in connection with the 2025 AICPA Conference on Current SEC and PCAOB Developments. https://www.sec.gov/newsroom/speeches-statements/hohl-statement-aicpa-conference-121925
- Stack Overflow. (2025). 2025 Developer Survey: AI y metodología. https://survey.stackoverflow.co/2025/ai · https://survey.stackoverflow.co/2025/methodology