Veinte sugerencias prácticas para el uso ético de IA en educación superior

Cómo se relaciona con el marco ético

#

El marco ético para el uso de IA en educación superior ofrece cuatro ejes operativos —autonomía del aprendiz, transparencia, justicia epistémica y responsabilidad compartida— que pueden orientar decisiones institucionales. Esta guía no reemplaza ese marco, lo lleva a la práctica. Cada sugerencia listada aquí puede rastrearse a uno o dos de esos ejes.

La separación es deliberada: los ejes cambian poco (soportan el ritmo de la tecnología); las sugerencias cambian con cada semestre, cuando aparecen modelos nuevos, casos de uso emergentes o tensiones que el semestre anterior no se observaron. Por eso esta guía está pensada para revisarse de forma periódica, no para fijarse.

Las veinte sugerencias también pueden leerse contra un segundo referente: los siete criterios revisables que reúne la propuesta de Orientaciones (enseñar antes de exigir, explicar cómo se utilizó, mirar también el recorrido, ofrecer opciones de acceso, aclarar quién responde, conservar opciones sobre la tecnología y volver a revisar). Los ejes explican por qué importa una decisión; los siete criterios nombran qué conviene cuidar al tomarla (por ejemplo, «aclarar quién responde» antes de permitir IA en un examen). Cada sugerencia de esta guía concreta uno o varios de esos criterios en una decisión de aula, de programa o de estudio personal (la sugerencia 1, por ejemplo, aplica «enseñar antes de exigir» al programa del curso).

Para docentes

#

1. Declarar al inicio del curso si el uso de IA está permitido y bajo qué condiciones

#

Cuando el programa del curso no dice nada sobre IA, la regla se acaba fijando a mitad del semestre y en medio de un caso concreto, que es el peor momento. Una sola página que explicite usos permitidos, usos no permitidos y forma de citar la IA resuelve por adelantado buena parte de esas discusiones.

2. Diferenciar entre tareas con IA permitida, restringida y prohibida

#

No todas las tareas de un curso necesitan la misma regla, porque la IA no juega el mismo papel en todas. En unas realizaría justamente la práctica que la tarea busca formar; en otras ofrece una ayuda útil después de un primer intento propio; en otras no cambia el aprendizaje que se evalúa. La tricotomía permitida–restringida–prohibida traduce esas tres situaciones al lenguaje del syllabus, tarea por tarea, y ayuda a proteger la integridad académica sin volver al docente un policía digital. Por ejemplo, en un curso de redacción: el primer borrador del ensayo se escribe sin IA (prohibida); la revisión de estilo admite IA después de esa primera versión (restringida); la búsqueda de fuentes para el marco teórico la admite siempre que cada fuente se verifique (permitida). La guía sobre plagio y autenticidad académica en la era de la IA ofrece tipologías de tareas según permisividad.

3. Pedir una muestra del proceso, no solo la entrega final

#

Cuando la IA se permite, una práctica útil es pedir una muestra breve del recorrido: qué se preguntó, qué se aceptó, corrigió o descartó y por qué. La muestra es proporcional a la tarea —una nota puede bastar en una práctica breve; un proyecto mayor admite versiones y comprobaciones—, no un expediente de cada interacción. Si la rúbrica la reconoce con un peso visible, la transparencia se vuelve parte del aprendizaje; sin eso, tiende a quedar escrita en la instrucción y no llegar al aula.

4. Evitar pedir tareas que el modelo resuelve trivialmente

#

Una pregunta cuya respuesta cualquier modelo genera en treinta segundos no evalúa al estudiante; evalúa al modelo. Rediseñar las tareas para que requieran contexto, fuentes locales, juicio o iteración (por ejemplo, analizar datos que el propio grupo recogió) suele ser la respuesta más sostenible (Bearman et al., 2024).

5. Usar al menos dos modelos al mostrar ejemplos en clase

#

Mostrar siempre la salida del mismo modelo tiende a reforzar una dependencia no buscada. Comparar al menos dos respuestas (Gemini, Claude, DeepSeek, Kimi o Qwen) obliga a explicar por qué una sirve mejor que la otra para lo que se está haciendo, y deja ver que ninguna es la respuesta del tema.

6. Documentar versión y fecha del modelo en cualquier instrucción pública

#

Un prompt que funcionaba con la versión de un modelo en marzo puede dar resultados distintos en septiembre. Conviene tratar la versión como parte de las condiciones en que la instrucción funciona (por ejemplo: «probado con Gemini 2.5, marzo de 2026»).

7. Resguardar datos personales antes de subir a un modelo comercial

#

Los modelos en plataformas comerciales pueden almacenar entradas para entrenamiento. Una práctica prudente es no subir documentos con datos personales de estudiantes, evaluaciones identificables o información sensible sin lectura previa de su política de retención.

8. Permitir alternativas equivalentes a tareas que requieren IA

#

Si una tarea exige el uso de un modelo de pago o una herramienta no disponible en la institución, ofrecer una alternativa equivalente ayuda a sostener la equidad de acceso. Es parte del eje de justicia epistémica, no un asunto técnico.

Para coordinaciones académicas

#

9. Establecer una política de programa antes de pedir reportes

#

Sin un acuerdo de programa, los docentes tienden a operar en silos y los estudiantes reciben señales contradictorias entre asignaturas. Una página por programa académico, coherente con las reglas de la institución (por ejemplo, su política de datos personales), suele ser suficiente.

10. Asignar responsabilidad explícita de actualización

#

Cada regla institucional gana solidez cuando tiene un responsable y una fecha de revisión. Sin esto, las decisiones envejecen y se vuelven letra muerta. Las sugerencias para una política de IA en la UdeG proponen un ciclo formal de revisión anual.

11. Garantizar acceso institucional a al menos un modelo

#

Cuando el uso de IA queda librado al modelo gratuito que cada estudiante consiga, la equidad se rompe en el primer mes. La provisión institucional —aunque sea con cuotas limitadas— resulta clave para que las decisiones pedagógicas (por ejemplo, pedir que todo el grupo compare dos modelos) se sostengan. Al elegir qué proveer, conviene sumar la pregunta de proporcionalidad: si las tareas del curso no necesitan un modelo grande, una opción más ligera puede resolver la misma necesidad con menos costo económico y ambiental, como desarrolla la guía de costos ecológicos y proporcionalidad.

12. Articular la formación docente con la rotación de la oferta

#

Los modelos cambian más rápido que los diplomados de actualización. Conviene articular formaciones cortas (30–90 min) frecuentes con programas largos cada año, en lugar de invertir todo en cursos extensos que envejecen al cierre.

13. Crear mecanismos para casos no previstos por la política

#

Todo acuerdo tiene zonas grises. Designar un comité o persona de referencia ante la cual los docentes puedan consultar antes de tomar decisiones polémicas ayuda a evitar decisiones aisladas y desiguales.

14. Auditar anualmente las prácticas, no solo las políticas

#

La diferencia entre un acuerdo escrito y un acuerdo aplicado se vuelve visible al auditar muestras de syllabus, rúbricas y entregas reales. Sin esa mirada, los acuerdos suelen quedarse en el papel y desaparecer en el aula.

Para estudiantes

#

15. Citar el uso de IA con la misma honestidad que cualquier fuente

#

La regla base es la transparencia: si la IA contribuyó, conviene declararlo. Declarar no funciona como una confesión, sino como parte de explicar cómo se hizo el trabajo, y el detalle es proporcional a la tarea: una línea puede bastar en un ejercicio breve; un trabajo con consecuencias pide relatar apoyos, comprobaciones y decisiones. La plantilla de declaración proporcional ofrece dos versiones según el peso de la tarea y la entrada de integridad académica sintetiza las formas de citarla. La omisión sigue siendo la opción menos defendible.

16. No subir información personal de terceros sin consentimiento

#

Subir un trabajo de un compañero, una transcripción de una entrevista no autorizada o datos de un proyecto institucional a un modelo comercial constituye una transgresión de privacidad, aunque sea para «mejorar» el texto.

17. Verificar al menos una afirmación central contra una fuente original

#

Los modelos generan referencias falsas con confianza. Antes que intentar comprobar cada frase —un estándar que nadie sostiene en la práctica—, conviene identificar la afirmación de la que depende la conclusión y contrastarla con una fuente original de la disciplina (una base de datos académica, un artículo, un libro). Si esa afirmación central no se sostiene, el resto del texto necesita revisarse; si se sostiene, la comprobación deja un rastro que se puede explicar.

18. Documentar el propio proceso de uso de IA

#

Aun cuando el docente no lo pida, documentar prompts y decisiones desarrolla competencia digital con IA y sirve para futuras consultas. Es un hábito que se entrena con el uso.

Para todos

#

19. Asumir que cualquier información subida a un modelo comercial puede dejar de ser privada

#

La retención de datos varía entre proveedores y entre versiones del mismo proveedor. Una regla práctica prudente es no subir nunca lo que no se podría defender públicamente.

20. Tratar las decisiones sobre IA como decisiones revisables

#

Ninguna sugerencia es definitiva. La IA cambia, las prácticas cambian, los riesgos cambian. La actitud responsable es la disposición a revisar lo acordado cuando aparece un caso nuevo (por ejemplo, un modelo que ahora resuelve la tarea que antes resistía).

Cómo se revisa este documento

#

Este conjunto de sugerencias se revisa al cierre de cada ciclo escolar. La revisión, cuando se asume institucionalmente, integra (a) reportes de docentes sobre sugerencias que no aplicaron en su contexto, (b) auditoría de syllabus reales, (c) actualización de marcos internacionales relevantes (UNESCO, OCDE, Comisión Europea), y (d) consultas a estudiantes representativos. La versión revisada se publica con número de versión y fecha visibles.

Lecturas relacionadas

#

El marco ético institucional sostiene estas sugerencias; las sugerencias para una política de IA en la UdeG las aterrizan a nivel institucional; la guía sobre sesgos algorítmicos y equidad educativa extiende la sugerencia sobre justicia epistémica.