La irrupción de la inteligencia artificial en la educación superior no creó las desigualdades entre estudiantes, pero sí está profundizando brechas que las universidades ya arrastraban. En esta columna, el autor plantea que el verdadero desafío no es prohibir el uso de estas herramientas, sino replantear los sistemas de evaluación para que midan el pensamiento crítico y no el acceso a mejores tecnologías. Sostiene que «la inteligencia artificial no se va a ir de las aulas. Su integración será tan profunda como lo fue la de internet; y la pregunta para las universidades no es si sus estudiantes la van a usar (ya la usan), sino qué van a hacer con eso».

Son las diez de la mañana de un martes. En un departamento de Las Condes, un estudiante de primer año de Ingeniería Comercial rinde su examen de Economía. Una de las preguntas incluye el gráfico de una curva de Laffer. El estudiante le saca una foto con el teléfono, la sube a la versión de pago de ChatGPT y escribe: «Actúa como economista, analiza este gráfico y redacta tres párrafos sobre sus implicancias para la política fiscal, citando una teoría relevante». Treinta segundos después tiene una respuesta ordenada que solo necesita un par de ajustes.

A esa misma hora, en Temuco, una estudiante de la misma carrera en una universidad estatal mira la misma pregunta. Está conectada a la red de internet de su casa, que comparte con dos hermanos que también tienen clases. Su notebook, de hace casi diez años, apenas sostiene abierta la plataforma de la universidad. No paga suscripción a ningún modelo pro de inteligencia artificial. Para ella, el examen depende de lo que estudió, de lo que recuerda y de que la conexión aguante.

El examen es el mismo. Lo que ya no se mide con la misma vara es el mérito.

Esa diferencia no la inventó la inteligencia artificial. Es la desigualdad de siempre, la que el sistema educativo arrastra desde hace mucho antes de la llegada de la IA generativa. Y viene de más atrás todavía, de un sistema escolar segregado que el propio Ministerio de Educación dejó documentado al debatir la Ley de Inclusión Escolar. Ahí está lo importante: nadie llega a la educación superior en blanco. Cada estudiante entra con la desigualdad que acumuló antes, marcada por su origen social. Y la universidad la hereda sin hacerse cargo, evaluando a todos como si hubieran partido del mismo lugar. Lo que ha hecho la IA es echarle un acelerante a esa grieta y convertir un viejo problema de acceso en algo más incómodo: una pregunta sobre la legitimidad de lo que las universidades certifican cuando ponen una nota.

Durante los últimos años nos contamos una historia tranquilizadora: que las universidades hicieron su transformación digital. Empujadas por el estallido social y luego por la pandemia, llevaron sus operaciones al mundo online, compraron licencias, masificaron el uso de plataformas como Moodle, Blackboard, D2L o Canvas y desplegaron planes de conectividad. El objetivo era sobrevivir y mantener el año en pie. En eso el sistema funcionó.

Lo que pasa es que se confundió el medio con la misión. Se digitalizó la entrega de contenidos, pero no se tocó lo más difícil: cómo se evalúa. Y la evaluación es el corazón del asunto, porque es ahí donde una institución declara que alguien aprendió. En vez de aprovechar la disrupción para repensar qué medimos y para qué, se eligió el atajo: trasladar el examen de lápiz y papel a un formulario web. Se mudó la lógica del aula del siglo XX a una pantalla del siglo XXI. Ese modelo ya venía crujiendo; con la IA quedó sencillamente expuesto. Premia la capacidad de reproducir respuestas de memoria, que es justamente lo único en lo que las máquinas ya nos superan sin discusión.

Aquí es donde la cosa se vuelve un problema de equidad y no solo de tecnología. Una evaluación diseñada para medir lo que hay dentro de la cabeza del estudiante empieza a medir, en realidad, la calidad de las herramientas a las que ese estudiante puede acceder. Y ese acceso es profundamente desigual en al menos tres planos.

El primero es económico: los modelos más capaces se pagan y no todos pueden sufragar este coste.

El segundo es de competencia: saber conversar con una IA para sacarle una buena respuesta (el famoso prompt) es una habilidad que se aprende con práctica, algo que no está repartido de forma pareja.

El tercero es de infraestructura: sin un equipo informático decente y una conexión estable, ni siquiera se entra a la cancha.

El resultado es una distorsión silenciosa del mérito. La nota final corre el riesgo de reflejar el capital tecnológico de quien rinde más que su dominio de la materia. Y cuando eso ocurre, la promesa de que la educación es un ascensor social se descompone: la línea de partida ya estaba torcida; y ahora lo está más.

Frente a esto, las instituciones han reaccionado de tres maneras y ninguna de las tres alcanza.

La primera es prohibir: declarar la IA como una forma de plagio y levantar un muro. Suena firme, pero es una quimera. Los detectores de IA son poco fiables, la prohibición es inaplicable y, peor, instala una cultura de la sospecha que envenena la relación entre quien enseña y quien aprende.

La segunda, más común de lo que se admite, es no hacer nada: seguir evaluando como en 2019, con la esperanza de que el problema sea pasajero. Es una forma de negación que acumula una deuda que algún día habrá que pagar.

La tercera, que según mi experiencia es la más interesante y la menos frecuente, son los focos de profesores y departamentos que sí entendieron lo que está en juego y rediseñaron sus evaluaciones para que usar la IA forme parte del trabajo. Una memoria realizada en la propia la Universidad de Chile, que analiza el uso de modelos de lenguaje (LLMs) en la docencia, describe bien esa tensión: identifica la oportunidad de reducir brechas e innovar en lo pedagógico, pero advierte de debilidades de fondo, como la falta de directrices institucionales y la urgencia de formar a los docentes. Son islas de buen criterio en un mar gobernado por la inercia.

Lo que viene no es un problema de software. No necesitamos un programa que detecte mejor a la IA; necesitamos otra forma de evaluar. Y eso se lidera desde la institución, no desde el heroísmo individual de unos pocos profesores.

Voy a aportar tres ideas para empezar.

La primera es dejar de medir si el estudiante puede repetir o memorizar algo y empezar a medir si puede pensar. Una evaluación resistente a la IA no se logra con más vigilancia: se logra con mejores preguntas. En lugar de pedir un ensayo genérico sobre el cambio climático, se puede pedir algo como esto: con los datos del último informe del IPCC, diseña una propuesta de gestión hídrica para la comuna de Petorca y modela su impacto económico y social a cinco años. Una IA puede aportar insumos; el juicio, la contextualización local y la decisión siguen siendo tarea de una persona. Ese tipo de pregunta, anclada en la realidad concreta del estudiante y de sus estudios, es mucho más difícil de externalizar a ChatGPT que una definición de manual.

La segunda es invertir, en serio, en los docentes. No para que persigan a la IA, sino para que aprendan a convivir con ella y a diseñar evaluaciones que la integren con transparencia. El rol del profesor deja de ser el del guardián del conocimiento y pasa a ser el de quien diseña buenos problemas. Que el estudiante aprenda a auditar, criticar y completar lo que produce un algoritmo, y no solo a copiarlo, es, en sí mismo, una competencia del siglo que viene.

La tercera es construir un pacto de integridad académica que vaya más allá del control. Eso se parece más a una cultura que a una norma: códigos de honor que comprometen al propio estudiante y evaluaciones centradas en el proceso (portafolios con trazabilidad, defensas orales, revisión entre pares) donde el cómo importa tanto como el qué. Para las pruebas, la única vara razonable es si las condiciones son iguales para todos: la equidad, y no la desconfianza, es lo que debería ordenar esa conversación.

La inteligencia artificial no se va a ir de las aulas. Su integración será tan profunda como lo fue la de internet; y la pregunta para las universidades no es si sus estudiantes la van a usar (ya la usan), sino qué van a hacer con eso. Pueden responder con prohibiciones que solo ensanchan la brecha que dicen combatir, o pueden aprovechar el remezón para saldar una deuda vieja con su propia manera de enseñar y de evaluar.

Las instituciones que lideren ese cambio no serán necesariamente las que tengan más presupuesto, sino las que tengan el coraje de hacerse la pregunta más incómoda de todas: cuando ponemos una nota, ¿qué estamos midiendo en realidad?