Encontrar una beca en una institución de educación superior con decenas de convocatorias activas representa una fricción real para los estudiantes: requisitos dispersos, plataformas desconectadas y procesos de registro repetitivos. La Universidad Nacional Autónoma de México decidió atacar ese problema con desarrollo propio: GoIA, un asistente de inteligencia artificial creado por su Laboratorio de Sistemas y Aplicaciones Universitarias (Lab SApp), diseñado específicamente para el ecosistema universitario.

A diferencia de los asistentes de propósito general, GoIA opera sobre una capa de recuperación de información institucional que le permite responder preguntas en lenguaje natural sobre servicios, convocatorias, guías y recursos internos de la universidad. Su arquitectura combina modelos de lenguaje con técnicas de aprendizaje supervisado y aprendizaje por refuerzo, lo que permite una mejora continua en la relevancia de las respuestas sin depender de actualizaciones manuales constantes. El resultado es un sistema que no exige al usuario conocer terminología específica para obtener información útil.

Integración operativa desde el primer ciclo

GoIA se implementará directamente en Espacio UNAM, la nueva plataforma digital que centraliza las convocatorias de becas de la institución. Su primer despliegue cubre el registro de más de 90,000 becas distribuidas en 15 convocatorias para niveles de bachillerato, licenciatura y posgrado. Una de sus funciones clave es permitir que los estudiantes apliquen a múltiples programas de forma simultánea, eliminando la necesidad de navegar convocatoria por convocatoria.

El sistema también aprovecha los registros de inscripción existentes para evitar la captura redundante de datos. Los solicitantes completan un cuestionario socioeconómico de entre cinco y diez minutos, y esa información queda disponible para futuras convocatorias, reduciendo la carga administrativa en cada ciclo.

El modelo: IA desarrollada internamente para uso institucional

Lo que distingue este caso no es solo la funcionalidad, sino el modelo de desarrollo. Construir una herramienta de IA internamente —en lugar de adoptar una solución comercial— implica mayor control sobre los datos de los usuarios, posibilidad de ajuste fino sobre información institucional sensible y una arquitectura que puede escalar hacia otros servicios universitarios: orientación académica, trámites administrativos o soporte a docentes.

Este enfoque tiene implicaciones directas para cualquier organización que gestione grandes volúmenes de información interna y bases de usuarios con necesidades específicas. La experiencia de la UNAM ilustra que los modelos de lenguaje no requieren infraestructura de escala global para generar valor operativo: un caso de uso acotado, bien definido y conectado a datos reales puede producir resultados medibles desde el primer ciclo de implementación.