Universidades y IA: integrar con transparencia, no con dogmas

La recomendación central es clara: integrar la inteligencia artificial en la formación universitaria, pero hacerlo con reglas y transparencia. Según un estudio citado por Infobae, la inversión en IA dentro del sector educativo registra un crecimiento aproximado de 2.5% (según McKinsey & Company, citado por Infobae, 8/3/2026). Ese empuje tecnológico se combina con un interés docente alto: al menos 90% de los profesores peruanos manifestó interés en usar IA en clases (Infobae, 8/3/2026). Vemos necesario que esa energía se traduzca en políticas verificables, no en consignas.

¿Por qué integrar la IA en la universidad?

La IA ofrece instrumentos pedagógicos con efectos concretos: tutores adaptativos que personalizan ritmos de aprendizaje, simulaciones avanzadas para STEM y análisis de datos que detectan riesgo de deserción. ICACIT plantea tres ejes para hacerlo bien: alfabetización ética, enfoque en resultados de aprendizaje y capacitación docente continua (según Infobae, 8/3/2026). Esos ejes no son cosmética curricular; son requisitos mínimos para que la tecnología no degrade competencias sino que las potencie.

Al mismo tiempo debemos atender riesgos: la IA puede convertir la evaluación en un trámite, desplazar el juicio profesional y concentrar poder en proveedores privados o en grupos académicos que definan estándares de facto. Aquí opera la captura del Estado y la pretensión de conocimiento: quien diseña un modelo tiende a creer que sabe más que miles de profesores en el terreno. Recordemos la advertencia de Hayek sobre la dispersión del conocimiento: la implementación requiere humildad epistemológica y mecanismos verificables.

¿Qué implica esto para la universidad pública argentina?

La experiencia peruana no es un espejo literal pero ofrece lecciones. Si 90% de docentes en Perú muestran interés, esa demanda no justifica aplicar soluciones sin transparencia (Infobae, 8/3/2026). En Argentina, donde la universidad pública ya enfrenta problemas de captura ideológica y falta de competencia, la adopción de IA podría empeorar incentivos: más recursos sin rendición aumentan la coerción redistributiva y el riesgo de atajos en la evaluación.

Por eso afirmamos que integrar IA debe acompañarse de competencia y métricas públicas. No se trata de ampliar presupuestos sin condiciones: pedimos concursos de acreditación, pilotos evaluados externamente y reconocimiento de proveedores privados y alternativas digitales que compitan por estudiantes. La universidad que mejor use IA debe ganar reputación por resultados, no por decretos administrativos.

Lo que exigimos: datos, auditorías y competencia

Exigimos tres medidas concretas antes de cualquier escalamiento masivo. Primero, publicación de protocolos, datasets agregados y especificaciones de algoritmos utilizados en la enseñanza y evaluación; sin datos públicos no hay verificación. Segundo, auditorías independientes, externas a las unidades académicas y financiadas por fondos neutrales, que evalúen sesgos, resultados de aprendizaje y consecuencias no intencionadas. Tercero, políticas que fomenten la oferta: incentivos a programas privados, microcredenciales y convenios internacionales para aumentar la competencia y la calidad.

Estas medidas respetan dos prioridades: preservar estándares académicos y evitar la captura del Estado. No pedimos una tech-fetichista: pedimos reglas claras, transparencia y evaluación a largo plazo. Si se actúa con datos públicos, auditorías independientes y promoción de la competencia, la IA puede mejorar la formación sin sacrificar la libertad académica ni el interés público a corto plazo. Pensamos en proyectos evaluables dentro de 5 años y en cambios que sean sostenibles en 20 años, no en soluciones para el próximo ciclo electoral.