Universidades en México enfrentan una disrupción silenciosa: cuando la inteligencia artificial generativa puede elaborar un ensayo, resolver un problema o preparar una presentación, la evaluación centrada en el producto final pierde capacidad diagnóstica. El verdadero reto no es detectar si un alumno usó ChatGPT, sino determinar si realmente adquirió conocimiento.

Especialistas advierten que si un estudiante usa IA para completar una tarea y el docente emplea IA para calificarla, el proceso de verificación del aprendizaje puede quedar reducido a una interacción entre sistemas sin supervisión humana efectiva. Esto expone una falla estructural preexistente: los modelos de evaluación tradicionales priorizan el resultado sobre el proceso, lo que los hace vulnerables ante herramientas que generan resultados sin razonamiento propio.

Del producto al proceso: el nuevo paradigma de evaluación

La respuesta que está tomando forma en distintas instituciones apunta a recuperar evidencias del proceso de aprendizaje. La propuesta concreta implica diseñar ejercicios donde el estudiante deba explicar, defender y justificar sus decisiones, no solo entregar un trabajo terminado.

La UNAM ha desarrollado guías sobre el uso de inteligencia artificial generativa en evaluaciones educativas dirigidas a estudiantes y docentes de distintos niveles, ante la creciente dificultad para distinguir entre contenido producido por el alumno y el generado por estas herramientas. Además, su Consejo de Evaluación Educativa organizó el EvaluaFEST 2026, un encuentro centrado en la evaluación del y para el aprendizaje con inteligencia artificial, que aborda el uso de IA como asistente de calificación, la evaluación formativa y la tensión entre el juicio docente y el algoritmo.

Modelos institucionales que ya están en marcha

En la Universidad de Guadalajara se implementa un enfoque de "evaluación auténtica" que busca mantener la trazabilidad del aprendizaje y las evidencias de las decisiones del estudiante al interactuar con herramientas de IA. La Universidad Autónoma de Nuevo León, por su parte, desarrolla un modelo de evaluación formativa centrado en el proceso de pensamiento del alumno, no en el resultado final.

Estas iniciativas también cuestionan una de las respuestas más extendidas ante el avance de la IA: los detectores de texto generado por algoritmos. Los expertos coinciden en que estos sistemas no son completamente confiables y no deberían ser el eje del control académico. Un ensayo puede estar bien redactado y no demostrar comprensión; lo mismo aplica a presentaciones, códigos o reportes elaborados con asistencia de IA.

La pregunta que redefine la evaluación educativa

El desplazamiento conceptual que está ocurriendo es significativo: la pregunta deja de ser "¿usó IA?" para convertirse en "¿qué aprendió y cómo puede demostrarlo?". Esta transición tiene implicaciones directas para el diseño curricular, la formación docente y los sistemas de acreditación.

Para las organizaciones que invierten en formación de talento —ya sea a través de programas internos o alianzas con instituciones educativas—, este cambio de paradigma es relevante: la validez de las credenciales académicas depende de que los modelos de evaluación puedan distinguir competencia real de competencia simulada. En un entorno donde la IA puede generar outputs de alta calidad técnica, la demostración del razonamiento se convierte en el diferenciador crítico.