↓ Ir al contenido
Aprendizaje Digital e IA
Aprendizaje Digital e IA
Sugerencias y criterios para pensar una política de IA en la UdeG
  1. Recursos y herramientas/

Sugerencias y criterios para pensar una política de IA en la UdeG

·11 mins
IA Formación docente Pedagogía Recurso-Institucional #Politica-Ia #Udeg #Gobernanza #Regulacion-Educativa #Marco-Institucional
Tabla de contenido
Las universidades mexicanas enfrentan la urgencia de pensar políticas sobre IA generativa, pero un reglamento que fija herramientas o reglas operativas específicas corre el riesgo de quedar desactualizado en pocos meses. Este texto comparte siete sugerencias operativas — en lugar de un reglamento exhaustivo — junto con un modelo posible de gobernanza distribuida y un ciclo formal de revisión.
Este sitio no es un documento oficial. Lo que sigue son sugerencias y criterios para alimentar conversaciones colegiadas, no normativa institucional. Este sitio es un espacio de reflexión entre docentes: cualquiera puede tomar lo que le sirva y aportar una práctica documentada; cualquier política institucional formal debe construirse en los espacios oficiales correspondientes. Tómese este texto como insumo abierto, revisable y no vinculante.

De qué tipo de conversación hablamos
#

Una conversación sobre política de IA puede examinar tanto reglas específicas —usos permitidos, restricciones y procedimientos— como criterios que ayuden a resolver situaciones nuevas. Ambas funciones pueden coexistir. Los documentos de UNESCO (2023), Russell Group (2023) y OECD (2023) incluidos al final ofrecen referencias sobre formación, responsabilidad y decisiones educativas; aquí se retoman para explorar qué acuerdos podrían resultar pertinentes, sin atribuirles un único modelo obligatorio.

Un listado de herramientas puede necesitar revisión cuando cambien sus funciones, precios o términos de servicio. Los criterios generales ayudan a valorar esos cambios, aunque tampoco resuelven por sí solos todos los casos. Por ejemplo, una regla sobre protección de datos puede mantenerse mientras se revisa qué servicios cumplen sus condiciones. Combinar criterios, procedimientos y revisión periódica es una posibilidad para discutir en cada contexto.

El marco ético para el uso de IA en educación superior explora esta lógica en profundidad. Este texto la lleva a ejes concretos pensando en una institución específica: la Universidad de Guadalajara, una universidad pública mexicana organizada en varios centros universitarios y el Sistema de Educación Media Superior.

Siete sugerencias para la conversación
#

Las sugerencias no son independientes. Se cruzan, se tensionan y se priorizan distinto según el ámbito. Su función es ofrecer un lenguaje común para que las discusiones colegiadas no empiecen cada vez desde cero. Las siete retoman los criterios revisables de la propuesta de Orientaciones —un documento de referencia, no una norma vigente— y los leen aquí en clave institucional: qué tendría que cuidar la UdeG si decidiera convertirlos en acuerdos propios.

1. Enseñar antes de exigir
#

No resulta razonable pedir un uso responsable de algo que no se ha enseñado a comprender y juzgar. Una política que abre con obligaciones —declarar, abstenerse, citar de cierta forma— sin ofrecer formación traslada a docentes y estudiantes el costo de descifrarla, y convierte cada zona gris en un riesgo personal. Ofrecer formación antes de exigir nuevas prácticas puede ayudar a que los acuerdos se comprendan y puedan cumplirse. Esa formación podría abordar cómo funciona la herramienta y dónde falla, cómo se comprueba una respuesta y cómo se diseña una actividad que la incluya o la excluya con razones. La sección de formación docente del sitio ofrece una base posible.

2. Explicar cómo se utilizó
#

Describir qué tarea realizó la IA —por ejemplo, proponer ideas, redactar o revisar una parte— puede tratarse como una explicación del proceso, no como una admisión de culpa (Eaton, 2023). Ese matiz cambia el diseño de la política. En lugar de una regla única del tipo «todo uso se declara con modelo, versión y extensión», conviene pedir una declaración proporcional: el detalle depende de la actividad y de sus posibles consecuencias. Una línea puede bastar en un ejercicio breve; un trabajo de titulación puede requerir una relación completa de intervenciones, comprobaciones y decisiones. La plantilla de declaración proporcional muestra cómo se ve esa gradación en la práctica. La transparencia, además, funciona mejor cuando es bidireccional: el profesorado también explica cuándo interviene IA en sus materiales, retroalimentación o rúbricas. Si solo se le pide al estudiantado, el criterio pierde fuerza moral.

3. Mirar también el recorrido
#

Cuando un producto final puede generarse por completo con una herramienta, deja de mostrar quién comparó las fuentes, comprobó los datos y tomó las decisiones. Una política institucional puede respaldar diseños de evaluación que pidan, junto al producto, una muestra breve del recorrido: una versión inicial, una corrección con su razón, una comprobación explicada o una conversación sobre el trabajo (Bearman et al., 2024). No se trata de vigilar cada paso ni de acumular capturas, sino de conservar la información mínima para conversar sobre las decisiones que el producto oculta. Los procedimientos de integridad académica ganan legitimidad cuando reconocen estas evidencias y privilegian la evaluación dialogada sobre el juicio basado en detectores automáticos, cuyos sesgos y tasas de error están documentados (Weber-Wulff et al., 2023).

4. Ofrecer opciones de acceso
#

Toda actividad o servicio que involucre IA necesita examinar costos, infraestructura, accesibilidad y alternativas, para que la herramienta no se convierta en barrera. En términos de política, hay al menos dos caminos: que la universidad provea acceso institucional a los modelos que las actividades formativas requieran, o que esas actividades se diseñen para funcionar con las versiones gratuitas disponibles, comprobando antes que resuelvan la tarea concreta. Cualquiera de los dos necesita además una vía sin IA que permita el mismo aprendizaje cuando el acceso falte o la persona tenga razones para no usarla (World Bank, 2024). Resulta problemático que una asignatura obligue a una suscripción de pago que no todos los estudiantes pueden costear. El primer camino supone inversión institucional; sin ella, una política puede producir desigualdades en lugar de corregirlas.

5. Aclarar quién responde
#

Las decisiones sobre IA pueden corresponder a personas, cursos, programas o instancias institucionales, y conviene repartirlas así: decide quien tiene la información y la competencia para hacerlo. Pero repartir no significa diluir. Cada nivel necesita poder explicar qué decide y quién revisa esa decisión: el estudiante responde por la autenticidad y comprensión de su trabajo; el docente, por el diseño y la comunicación de la actividad; el programa, por la traducción disciplinar y la formación previa; la institución, por la gobernanza general, los servicios y los datos (OECD, 2023). La distinción importa especialmente en procedimientos disciplinarios: no es lo mismo incumplir un acuerdo que fue enseñado y practicado que encontrarse ante una expectativa que nadie explicó.

6. Conservar opciones sobre la tecnología
#

Una herramienta no se valora solo por sus funciones inmediatas. También importa la posibilidad de recuperar los datos, cambiar de servicio y evitar una dependencia difícil de revertir cuando cambien precios, términos o disponibilidad. Para una institución del tamaño de la UdeG, este criterio orienta el licenciamiento: términos de servicio auditables, garantías contractuales sobre qué ocurre con la información que el servicio recibe —los ensayos, exámenes e identificadores estudiantiles no deberían subirse a servicios de consumo sin base legal clara y consentimiento informado— y una estimación honesta del costo de salida antes de firmar. Un servicio conveniente hoy puede volverse una obligación mañana si nadie preguntó, a tiempo, cómo se saldría de él. A las preguntas sobre datos, costo de salida y reversibilidad conviene añadir la de proporcionalidad: si el beneficio de un servicio justifica los recursos y el costo ambiental que moviliza, o si una opción más ligera resuelve la misma necesidad, como propone la guía de costos ecológicos y proporcionalidad.

7. Volver a revisar
#

Ningún acuerdo sobre IA nace terminado. Los modelos, los precios y las prácticas cambian más rápido que cualquier documento, y por eso la revisión formal y periódica no es mantenimiento: es parte constitutiva de la política. La revisión rinde más cuando se entiende como un ejercicio colegiado que integra los casos ocurridos, la evidencia nueva, los cambios tecnológicos relevantes y los ajustes al plan de formación —el ciclo se detalla más abajo—, antes que como una actualización administrativa menor. Sin ese ciclo, los criterios tienden a volverse letra muerta cuando la realidad se mueve.

Gobernanza: quién decide qué
#

Las siete sugerencias funcionan mejor con un modelo de gobernanza explícito. El modelo que se ofrece a continuación distribuye decisiones en tres niveles, como una posibilidad entre otras.

flowchart TB
    A[Nivel institucional] -->|Principios y<br/>ciclo de revisión| B[Nivel de programa]
    B -->|Criterios disciplinares<br/>y formación| C[Nivel de asignatura]
    C -->|Acuerdos de aula<br/>y syllabus| D[Práctica docente]
    D -.->|Casos y evidencia<br/>para la revisión anual| A

Nivel institucional
#

Puede ocuparse de los criterios generales, el ciclo de revisión, el licenciamiento de herramientas y las orientaciones sobre privacidad de datos. Es también un buen lugar para definir los procedimientos marco para integridad académica cuando involucran IA.

Nivel de programa o centro universitario
#

Traduce los criterios generales a la realidad disciplinar. Un programa de medicina tiene exigencias distintas a un programa de letras; el nivel de programa hace esa traducción. También coordina el plan de formación docente específico de su ámbito.

Nivel de asignatura
#

Aterriza en el syllabus: qué usos de IA se permiten, qué se sugiere declarar, qué se excluye, cómo se evaluará el proceso. En este modelo, la decisión quedaría en el docente, dentro de los criterios del programa; otro reparto es posible si el programa decide fijar más detalle a ese nivel. La guía de evaluación formativa con IA ofrece plantillas para el syllabus.

Este modelo distribuye la carga decisional según el nivel de detalle de la decisión. Las decisiones que afectan a toda la universidad se toman arriba; las que dependen del contexto disciplinar, en el medio; las que dependen del diseño del curso, abajo.

De la sugerencia a la práctica operativa
#

Una sugerencia se vuelve útil en lo cotidiano cuando se responde a siete preguntas en cada instrumento institucional (syllabus, procedimiento de integridad, plan de formación):

Desliza horizontalmente para consultar todas las columnas.

SugerenciaPregunta operativa
Enseñar antes de exigir¿Qué se enseña antes de pedirlo?
Explicar cómo se utilizó¿Qué conviene declarar y con cuánto detalle según la tarea?
Mirar también el recorrido¿Qué muestra breve del proceso se pide y cómo se interpreta?
Ofrecer opciones de acceso¿Qué se provee institucionalmente y qué alternativa existe?
Aclarar quién responde¿Quién toma cada decisión y quién la revisa?
Conservar opciones sobre la tecnología¿Qué datos pueden salir del servicio y qué costaría cambiarlo?
Volver a revisar¿Cuándo y con qué evidencia se actualiza?

Esta tabla puede acompañar a cualquier conversación institucional como guía metodológica. Cada unidad académica que la retome puede responder las siete preguntas desde su contexto.

Ciclo de revisión
#

Una revisión periódica —aquí se ejemplifica con cadencia anual, aunque cada institución puede elegir otra— puede considerar cuatro insumos.

Primero, los casos ocurridos en el año: procedimientos de integridad, dilemas reportados por docentes, consultas colegiadas. No para juzgarlos retroactivamente sino para detectar patrones que la política actual no resuelve bien.

Segundo, la evidencia internacional nueva: actualizaciones de UNESCO, OECD, literatura académica, políticas de universidades referentes. Selwyn (2022) advierte que adoptar cualquier tendencia sin filtro lleva a políticas contradictorias; la revisión anual hace ese filtro explícito.

Tercero, los cambios tecnológicos relevantes del año: nuevos modelos, nuevos precios, nuevos términos de servicio, nuevas amenazas (deepfakes académicos, generación de código malicioso, agentes autónomos).

Cuarto, los ajustes al plan de formación docente. Si la política exige competencias que el plan no desarrolla, hay que corregir uno u otro.

El producto de cada revisión podría ser un documento con versión (Sugerencias UdeG v1.1, v1.2, etc.) que registre qué cambió, por qué y cuándo. La trazabilidad del cambio es parte del valor del ejercicio.

Lo que este texto no es
#

Cuatro aclaraciones útiles para evitar expectativas equívocas.

No es un documento oficial de la Universidad de Guadalajara. Es un insumo abierto, publicado en una red de reflexión docente, pensado para alimentar discusiones colegiadas. Cualquier política institucional formal pasa por sus propios cauces.

No es un listado de herramientas autorizadas. Ofrece criterios de conversación; el catálogo concreto se mantiene en el catálogo de herramientas IA y se actualiza con mayor frecuencia que cualquier marco.

No es una declaración de oposición ni de entusiasmo respecto a la IA en educación. Es un conjunto de criterios que permite adoptarla con discernimiento, rechazar usos específicos cuando hay razones pedagógicas o éticas, y revisar las decisiones cuando cambia el contexto.

No es un documento terminado. Lo que se comparte aquí es, por definición, provisional. El ciclo de revisión es parte constitutiva del ejercicio, no un añadido.

Referencias
#