Cuatro criterios éticos para el uso de IA en educación superior

Por qué criterios, no un reglamento

#

La primera tentación institucional frente a la IA generativa es redactar un reglamento que enumere usos permitidos y prohibidos. Esa estrategia envejece deprisa: las herramientas cambian, las prácticas estudiantiles se adelantan y el listado queda incompleto a los pocos meses de publicarse. Williamson y Eynon (2020) ya advertían, antes de la IA generativa, que las respuestas educativas a la automatización suelen llegar tarde porque se formulan sobre la tecnología del momento. Un conjunto de criterios éticos (por ejemplo, «todo uso de IA se declara»), en cambio, ofrece referencias con las que cada docente toma decisiones en su contexto, y soporta el ritmo del cambio tecnológico sin reescribirse cada semestre.

La UNESCO (2023) formuló la primera guía internacional sobre IA generativa en educación con esta lógica: no prescribir herramientas, sino ofrecer criterios que cada institución adapta a sus condiciones (por ejemplo, edades mínimas para el uso autónomo). El Russell Group (2023) en el Reino Unido avanzó en la misma dirección con cinco principios comunes para sus universidades. La Comisión Europea (2022) hizo lo propio con orientaciones éticas para docentes. El patrón es claro: los cuerpos internacionales producen criterios («la supervisión humana no se delega»), no reglamentos.

Este texto parte del mismo supuesto y añade una capa que los referentes internacionales tratan con menos detalle: la decisión docente concreta. Un criterio como «transparencia» no opera solo; requiere acuerdos de aula, rúbricas y contratos didácticos que lo conviertan en práctica.

Cuatro ejes operativos

#

Los ejes no son independientes entre sí: se tensionan. Una exigencia máxima de transparencia puede erosionar la autonomía del aprendiz si lo obliga a reportar cada consulta. Una insistencia estricta en justicia epistémica puede entrar en conflicto con responsabilidades individuales. Estos cuatro ejes no resuelven esas tensiones de antemano; las hacen visibles para que cada docente decida en su caso.

flowchart TB
    A[Autonomía del aprendiz] --- B[Transparencia y rendición de cuentas]
    B --- C[Justicia epistémica e inclusión]
    C --- D[Responsabilidad compartida]
    D --- A
    E[Decisión docente en contexto] --- A
    E --- B
    E --- C
    E --- D

Eje 1. Autonomía del aprendiz

#

Conviene que el uso de IA no reduzca la capacidad del estudiante de pensar, decidir y producir por sí mismo. Lodge y Loble (2026) documentan el fenómeno de la descarga cognitiva (cognitive offloading): cuando el estudiante delega habitualmente el esfuerzo mental al modelo, pierde la práctica de las operaciones que dan lugar al aprendizaje. La autonomía, entonces, no es una aspiración retórica; es un bien que la docencia puede proteger activamente.

Operativamente, este eje se traduce en decisiones como:

• Diseñar actividades donde la IA retroalimenta borradores, pero el estudiante escribe la versión final sin asistencia.
• Pedir reflexiones metacognitivas donde el estudiante explicita qué partes del proceso delegó y qué mantuvo bajo su control.
• Introducir momentos sin IA en el ciclo de aprendizaje, para ejercitar las operaciones que la herramienta resolvería en lugar del estudiante.

Este eje enlaza con la discusión sobre alfabetización crítica en IA: ambos coinciden en que la competencia central es la capacidad de decidir cuándo no usar la herramienta.

Eje 2. Transparencia y rendición de cuentas

#

Una práctica robusta es que el uso de IA sea documentable. No por vigilancia punitiva, sino porque el proceso de decidir cuándo, para qué y cómo usar un modelo es, en sí mismo, un objeto de aprendizaje (Bearman et al., 2024). La transparencia funciona en dos direcciones: del estudiante hacia el docente y del docente hacia el estudiante. Conviene que el docente también declare cuándo usa IA en materiales de clase, retroalimentación o rúbricas.

La transparencia se operacionaliza con instrumentos concretos:

• Bitácora breve del proceso: el estudiante registra las decisiones que cambiaron el trabajo —qué pidió, qué aceptó o descartó y por qué—, no cada mensaje de la conversación.
• Declaración de uso en la portada del trabajo: qué servicio y versión se utilizaron, en qué fechas y qué tarea realizó la IA —por ejemplo, proponer ideas, redactar o revisar una parte—.
• Documentación de rechazos: qué sugerencias del modelo se descartaron y por qué.

La rendición de cuentas no se reduce a declarar el uso. Incluye responder por los resultados: el estudiante que publicó una cita inventada por el modelo responde por esa cita, no el modelo.

Eje 3. Justicia epistémica e inclusión

#

Los modelos generativos no son neutros. Heredan sesgos de sus datos de entrenamiento y los reproducen en las respuestas: subrepresentan voces del sur global, privilegian el inglés académico, simplifican cuerpos teóricos complejos y, con frecuencia, tratan la norma anglosajona como universal (Bender et al., 2021). Cualquier marco ético para la educación superior en México gana solidez al anticipar estos sesgos (por ejemplo, pidiendo comparar dos modelos antes de aceptar una lista de referentes), no por activismo, sino por compromiso con la calidad de la formación.

Adicionalmente, el acceso a las versiones más capaces de estos servicios suele requerir suscripción o tarjeta de crédito internacional. Un diseño pedagógico que da por hecho ese acceso produce una desigualdad de partida: unos estudiantes iteran sus borradores en la versión de pago y los demás en la gratuita de turno, con límites de uso y respuestas distintas. El informe del Banco Mundial (2024) sobre IA generativa en educación sitúa la equidad de acceso entre los riesgos que una política debe atender; en una universidad pública mexicana, esa advertencia se traduce en no dar por supuesta ninguna suscripción.

Decisiones operativas:

• Comparar sistemáticamente las respuestas de al menos dos modelos distintos (por ejemplo, Claude y DeepSeek, o Gemini y Qwen) para hacer visible la variabilidad.
• Documentar en voz alta qué voces no aparecen en la respuesta del modelo (autores no anglófonos, perspectivas indígenas, literatura reciente en español).
• Proveer acceso institucional a herramientas de pago cuando la actividad lo requiera, o diseñar actividades que funcionen con herramientas gratuitas.

Eje 4. Responsabilidad compartida

#

Ni el estudiante es el único responsable del mal uso, ni la institución lo es del buen uso. La responsabilidad se distribuye: el proveedor del modelo, la institución que lo adopta, el docente que lo integra al diseño del curso y el estudiante que lo usa en su trabajo. Este eje busca hacer visible esa distribución para evitar que la culpa migre siempre al eslabón más débil (el estudiante).

Un reparto practicable, en la línea del ecosistema de responsabilidades que describe la OECD (2023) para la educación digital, es este: la institución responde por gobernanza, formación docente y acuerdos marco; el docente, por el diseño de la actividad y los criterios de evaluación (por ejemplo, la rúbrica del anexo de uso); el estudiante, por la autenticidad de lo que entrega y por la nota de decisiones que lo acompaña. Ninguno transfiere su parte a otro.

De principios a decisiones docentes

#

Los cuatro ejes se concretan en cuatro preguntas que el docente responde al diseñar una asignatura.

Responder las cuatro preguntas al inicio del semestre evita que las decisiones se tomen bajo presión cuando surge el primer conflicto.

Dilemas recurrentes

#

Tres casos que aparecen repetidamente en consultas docentes, resueltos desde el marco.

Dictar una sección entera al modelo

#

Un estudiante dicta a un asistente conversacional los puntos principales de un argumento y pide al modelo que redacte los párrafos de transición. Entrega el texto como propio. ¿Es plagio?

Desde el eje de autonomía, el estudiante sí mantuvo el control del argumento (él dictó la lógica). Desde el eje de transparencia, la pregunta clave es si declaró el uso. Si lo hizo y el docente permitió explícitamente esta operación, no es plagio; es co-producción declarada. Si no lo hizo, es opacidad deliberada. El marco convierte la pregunta «¿plagió?» en «¿qué se acordó y se declaró?» (Eaton, 2023).

Estudiante sin acceso a modelos de pago

#

Una actividad exige iterar un borrador tres veces con la retroalimentación de un asistente de pago. Tres estudiantes del grupo no tienen acceso a la versión de pago. ¿Se ajusta la actividad?

Desde el eje de justicia epistémica, sí. Hay dos salidas: rediseñar la actividad para que funcione con las versiones gratuitas disponibles —comprobando antes que devuelvan algo utilizable para esta tarea concreta— o que la institución provea las licencias. Prolongar una actividad que produce desigualdad estructural contradice el eje 3 aunque mejore la pedagogía del eje 1.

Docente que califica con IA sin declararlo

#

Un docente pega los ensayos de sus estudiantes en un asistente comercial y usa las sugerencias del modelo como retroalimentación, sin declararlo. ¿Qué problemas plantea?

El eje de transparencia se rompe de inmediato. El docente exige al estudiante declarar sus usos, pero oculta los propios. El eje de justicia también: los ensayos de los estudiantes pueden quedar alojados en la infraestructura del proveedor del modelo. Y el eje de responsabilidad: si el modelo retroalimenta una cita inexistente como válida, el estudiante recibe información errónea cuya fuente es opaca. Este caso no se resuelve prohibiendo el uso docente de IA; se resuelve operando los cuatro ejes también del lado del docente.

Matriz de riesgos

#

Para priorizar en el diseño de política institucional, una matriz cruzada entre eje afectado y actor que responde.

Implementación institucional

#

Los cuatro ejes se quedan en la página si no se llevan a tres instrumentos (el syllabus, la formación docente y los espacios colegiados).

Primero, el syllabus. Cada asignatura declara sus acuerdos sobre IA: qué se permite, qué se espera que se declare, qué se excluye y cómo se evaluará el proceso. La guía sobre evaluación formativa con IA ofrece plantillas para hacerlo.

Segundo, el programa de formación docente. Sin formación, los cuatro ejes se vuelven frases de cartel («usa la IA con responsabilidad»). La sección de Formación docente aborda las competencias mínimas que requiere operar este marco.

Tercero, los espacios colegiados. Los dilemas no se resuelven individualmente: requieren comunidades de práctica donde los docentes contrastan criterios (por ejemplo, cómo tratan la traducción asistida en dos asignaturas del mismo programa). La UNESCO (2023) insiste en este punto como condición de viabilidad. Sin espacios colegiados, cada docente construye su propio marco y la experiencia del estudiante pierde coherencia de un curso a otro.

Cierre

#

La pregunta relevante no es si la IA generativa es compatible con la educación superior. Está instalada, y seguirá estándolo. La pregunta es con qué criterios (por ejemplo, los cuatro ejes de esta página) la universidad acompaña su uso. Los cuatro ejes que aquí se sugieren — autonomía, transparencia, justicia epistémica y responsabilidad compartida — no son un listado exhaustivo ni una norma: son un mínimo común sobre el que pueden construirse acuerdos situados, revisables y operativos. Lo demás es decisión docente en contexto.