Declaraciones de uso y divulgación de la IA

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Las declaraciones de uso y divulgación de la IA — las políticas, las declaraciones y las prácticas mediante las cuales se pide a quien aprende (o este decide) que divulgue su uso de la IA generativa en el trabajo académico. Conocidas también como declaraciones de uso de IA, declaraciones de divulgación de IA o declaraciones de transparencia, estos mecanismos se sitúan en la intersección de la integridad académica, la ética, la confianza y la evaluación en la era de la IA. La investigación de la base de conocimiento muestra que la divulgación dista mucho de ser una formalidad administrativa neutra: la moldean el miedo a las sanciones, las políticas ambiguas, la aplicación inconsistente, las normas entre pares, el estigma y los costes psicológicos de la autoincriminación, y está profundamente entrelazada con el aprendizaje autorregulado y la búsqueda de ayuda.

Preguntas para reflexionar

• Si usted fuera un estudiante que usó IA generativa para una tarea, ¿se lo diría a su docente? Esta página sugiere que la respuesta honesta está fuertemente moldeada por el miedo: la investigación encuentra que la divulgación es poco frecuente y que la impulsan la «ansiedad por las sanciones» y la preocupación por la autoincriminación. ¿Qué suposiciones sobre su propia conducta de divulgación tendría que cuestionar?
• La pregunta central de diseño aquí es si la divulgación funciona como vigilancia o como andamiaje para una implicación ética. Antes de leer, ¿qué creía usted que pretendía hacer un formulario de divulgación, y se le ocurre alguna manera de que ese mismo formulario pudiera servir al propósito contrario?
• Un hallazgo llamativo es que el estudiantado que siempre divulgaba tenía más del triple de probabilidades de ser acusado de copiar: la transparencia invitaba a la sospecha. Si la honestidad puede aumentar la sospecha, ¿qué dice eso sobre cómo deberíamos diseñar la confianza entre el estudiantado y el profesorado?
• Esta página distingue los mecanismos de cumplimiento obligatorio de las prácticas de divulgación formativas que construyen alfabetización en IA y autorregulación. ¿A cuál de ellas se parece más el enfoque de su propia institución y qué tendría que cambiar para que se convirtiera en la otra?
• La investigación vincula la ocultación con una autorregulación desadaptativa y la divulgación con una búsqueda de ayuda adaptativa: hacer visible su uso de la IA puede invitar a una calibración útil por parte de quien enseña. ¿Cuándo ha encontrado usted (como quien aprende o como docente) que le resultaba beneficioso hacer visibles su incertidumbre o su uso de ayuda, en lugar de ocultarlos?
• Las normas de divulgación varían según la disciplina, el bagaje lingüístico y el contexto, con implicaciones de equidad cuando es más probable que se sancione a unos estudiantes que a otros por ocultar. Si usted diseñara una política de divulgación, ¿cómo evitaría que impusiera una carga desigual sobre quienes aprenden y ya están marginados?

Introducción

Las declaraciones de uso y divulgación de la IA son las declaraciones mediante las cuales el estudiantado informa si usó IA generativa en una tarea y cómo lo hizo, desde una casilla en una portada hasta formatos estructurados que registran el modelo, la entrada, el propósito y cómo se evaluó la salida. Los sistemas difieren tanto en su naturaleza como en sus detalles: algunos funcionan como mecanismos de cumplimiento obligatorio con sanciones por no divulgar, y otros como prácticas formativas que tratan la divulgación como un instrumento para desarrollar la alfabetización en IA, la transparencia y el juicio ético. La pregunta de diseño que decide en qué se convierten es si la divulgación se usa para pillar o para enseñar, lo que sitúa el concepto de lleno dentro de la integridad académica y la política educativa sobre IA.

Qué son las declaraciones de uso y divulgación de la IA

Las declaraciones de uso de IA exigen o invitan al estudiantado a afirmar si usó IA generativa en una tarea y cómo lo hizo, normalmente en una portada de trabajo, un formulario de entrega o una consigna de reflexión. Los marcos varían mucho, desde simples casillas hasta formatos estructurados que documentan el modelo, la entrada, el propósito y cómo se evaluó la salida (por ejemplo, el marco Model-Input-Evaluation/MInE). Abarcan desde mecanismos de cumplimiento obligatorio (con sanciones por no divulgar) hasta prácticas formativas que tratan la divulgación como un instrumento pedagógico para desarrollar la alfabetización en IA, la transparencia y la auto-regulación. La pregunta central de diseño es si la divulgación funciona como vigilancia o como andamiaje para una implicación ética.

Por qué la divulgación importa para la IA en la educación

La divulgación es el mecanismo que hace visible el trabajo asistido por IA y, por tanto, gobernable: la contraparte de la integridad académica y la condición previa para la confianza entre el estudiantado y el profesorado. Sin transparencia sobre el uso de la IA, el profesorado no puede distinguir el apoyo legítimo de la mala conducta, ni calibrar la retroalimentación, ni detectar brechas de equidad. Pero la investigación revela que la divulgación es también un proceso afectivo y social, y no solo una cuestión de política.

Qué muestra la investigación

• La divulgación es poco frecuente y está impulsada por la ansiedad. En los estudios, la mayoría del estudiantado no divulga su uso de IA al profesorado. Kirsanov et al. (2026) encontraron que solo ~34% del estudiantado de economía admitía usar IA y que la divulgación era aún más rara, impulsada por la «ansiedad por las sanciones». Vetter et al. (2026) encontraron que 66% del estudiantado nunca o casi nunca divulgaba, y el miedo a las sanciones académicas era la razón principal. Gonsalves (2025) documentó un 74% de incumplimiento de una declaración obligatoria en la King's Business School.
• Las políticas ambiguas y punitivas favorecen la ocultación. Cuando las políticas de uso de IA son poco claras, no se aplican o son prohibiciones, el estudiantado oculta su uso en lugar de implicarse. Las políticas de «uso limitado en determinadas situaciones» son las que mejor predicen la divulgación; las de «no permitido» o «no lo sé» predicen la ocultación. Se reclama repetidamente políticas claras, coherentes y colaborativas.
• La divulgación tiene costes psicológicos, y costes ocultos. El estudiantado percibe las declaraciones como una autoincriminación, y algunos creen que el uso de IA es privado, como usar una calculadora. Vetter et al. (2026) encontraron que quienes divulgaban «siempre» tenían más de 3 veces las probabilidades de ser acusados: la transparencia puede invitar a la sospecha. Chang et al. (2026) encontraron que la preocupación redirige la divulgación hacia los pares en lugar de suprimirla, lo que aísla al estudiantado de la retroalimentación de quien enseña.
• La divulgación está entrelazada con el aprendizaje autorregulado. Chang et al. (2026) interpretan la divulgación dirigida al profesorado como una búsqueda de ayuda adaptativa —hacer visible la asistencia e invitar a una calibración externa—, mientras que la ocultación (sobre todo entre quienes usan mucho la IA) se parece a una regulación desadaptativa. Una divulgación estructurada y formativa puede promover la reflexión metacognitiva y el razonamiento ético que caracterizan una autorregulación eficaz.
• Las normas de divulgación varían según la disciplina, la lengua y el contexto. El estudiantado de educación, ciencias sociales y STEM/salud divulga más que el de empresa; el estudiantado monolingüe puede divulgar menos que el multilingüe. En un estudio, el estudiantado internacional divulgaba menos, lo que plantea preocupaciones de equidad. Las normas de divulgación no se desarrollan automáticamente con la progresión académica.
• Las normas de divulgación no están resueltas en los programas profesionales. Gutowski y Hurley (2025) informan de que las facultades de derecho estadounidenses aprobadas por la ABA no se ponen de acuerdo sobre si debe divulgarse cualquier uso de la IA, describen formularios de divulgación del estudiantado que se presentan al profesorado y no encuentran consenso sobre cómo la escritura académica o de clase debería citar la IA: el propio Bluebook sigue guardando silencio. También predicen que la divulgación acabará pareciendo tan innecesaria como señalar que un estudiante usó un buscador, una advertencia sobre la caducidad de las normas que se están escribiendo ahora, y anclan la cuestión de las normas en la educación jurídica.

La divulgación no es un mecanismo de detección

Un error institucional recurrente es tratar las declaraciones como una forma de pillar el uso prohibido. No pueden cumplir esa función: dependen de la sinceridad, y hacerlas cumplir vuelve a chocar con la misma indetectabilidad, ya que una institución generalmente no puede probar que se produjo un uso no declarado. Teichmann (2026) sitúa su valor real en otro lugar: en compromisos de integridad visibles, incrustados en una cultura de confianza, y en la transparencia, las expectativas compartidas y la reflexión del estudiantado, más que en la aplicación de normas. El mecanismo educativo es normativo, no forense.

El trabajo de modelización de Mohamed y Temimi (2026) aporta la condición bajo la cual funciona la divulgación, expresada como un umbral de diseño y no como una esperanza: el uso divulgado supera al uso oculto solo cuando el coste de la honestidad se mantiene por debajo del efecto disuasorio que compra. Como ese límite sube con la credibilidad de la detección, la detección y la seguridad de la divulgación se refuerzan mutuamente, pero solo si el riesgo de falsos positivos de ser señalado recae por igual sobre las respuestas honestas y las deshonestas, en cuyo caso la honestidad conserva su protección comparativa. Su implicación de diseño es directa: tratar un uso de IA declarado como contexto y no como confesión, lo que mantiene bajo el coste de la honestidad precisamente en los entornos donde la vigilancia es más fuerte, y leer la divulgación como una demostración de juicio evaluativo y no como una admisión. El permiso y la divulgación son palancas separadas —el permiso cambia el límite formal del uso aceptable, la divulgación cambia la visibilidad— y el éxito en una no dice nada sobre la otra.

AlGhamdi (2026) ofrece una prueba sugerente del propio efecto de la divulgación. El mismo curso realizó un estudio ciego (AlGhamdi 2024) y otro transparente, y solo la cohorte transparente acotó explícitamente el papel de la IA y cuestionó la autoridad evaluadora. Como las cohortes y los años difieren, el autor califica el contraste de sugerente y no de causal, pero sostiene que la divulgación operó como una consigna instructiva y no como un descargo de responsabilidad: transformó la retroalimentación de un acto dado por supuesto en un objeto de reflexión, sin signos de desvinculación ni de resistencia.

Al examinar las orientaciones sobre IA generativa de las 50 universidades estadounidenses mejor clasificadas por innovación, Qian (2026) sitúa la divulgación en la frontera entre la asistencia y la tergiversación: donde se permite la IA, las instituciones indican al estudiantado que reconozca, cite o documente de algún modo la asistencia de la IA, en lugar de presentar los resultados como enteramente propios, y son las bibliotecas —y no las oficinas de integridad— las que ostentan la autoridad sobre las normas de citación y procedencia. El planteamiento de las bibliotecas del MIT, según el cual la IA no es autora y son los autores quienes responden de documentar cómo contribuyeron las herramientas, ejemplifica el patrón, y Qian lee la divulgación simultáneamente como norma de integridad, como principio de diseño que reduce la ambigüedad antes de la entrega y como uno de los cuatro pilares de la integridad, junto con la rendición de cuentas, la equidad y la privacidad. Es el mismo uso no forense que describe la sección, y es la razón por la que Qian recomienda institucionalizar las bibliotecas como autoridad de citación en lugar de ampliar la detección.

Diseñar una divulgación eficaz

• La claridad y la coherencia superan a la disuasión. Desarrolle políticas de IA claras, coherentes y construidas de forma colaborativa, con ejemplos concretos de uso aceptable y de cómo declararlo; evite los marcos punitivos o vagos que motivan la ocultación.
• Aborde la barrera afectiva. Las políticas de divulgación que solo apuntan a la conducta son insuficientes: normalice el uso de la IA, reduzca el juicio percibido y el estigma, y tranquilice al estudiantado de que la divulgación honesta no se sancionará.
• Haga que la divulgación sea formativa, no solo cumplimiento. Use consignas de reflexión y declaraciones estructuradas (modelo/entrada/evaluación) para que la divulgación construya alfabetización en IA y autorregulación en lugar de funcionar como vigilancia.
• Forme al profesorado para construir confianza, no para depender de la detección. La divulgación nunca debería ir seguida de una acusación; el profesorado debería aprender conversaciones que construyen confianza en lugar de apoyarse en detectores de IA poco fiables.
• Diseñe para la equidad. Atienda a las diferencias de divulgación entre disciplinas, estatus lingüístico y bagajes del estudiantado, y evite mecanismos que impongan cargas desiguales a quienes aprenden y ya están marginados.

Conexiones

El uso y la divulgación de la IA se sitúan en la intersección de la integridad académica (su preocupación madre), la ética, la confianza y la calibración de la confianza (la divulgación como acto de vulnerabilidad), la gobernanza y la política educativa sobre IA (los marcos de política institucional) y la evaluación (donde se operacionaliza la divulgación). Se conecta con la alfabetización en IA (el estudiantado necesita entender qué divulgar y cómo), con el aprendizaje autorregulado y la búsqueda de ayuda (la divulgación como búsqueda de ayuda visible) y con la equidad (divulgación diferencial). Es distinto de, pero está relacionado con, el mal uso de la IA y el daño al aprendizaje (el daño que la divulgación pretende hacer visible) y la detección de IA (las alternativas basadas en la detección que los marcos de divulgación sustituyen cada vez más).

Conceptos conectados

• Integridad académica
• Ética
• Confianza
• Calibración de la confianza
• Gobernanza de la IA
• Política educativa sobre IA
• Evaluación
• Evaluación auténtica
• Alfabetización en IA
• Aprendizaje autorregulado
• Búsqueda de ayuda
• Equidad
• IA generativa
• Educación superior
• Mal uso de la IA y daño al aprendizaje — el daño que la divulgación pretende hacer visible
• Detección de IA
• Madres, padres y familias
• Normas sociales del uso de la IA — por qué quien aprende elige ocultar en lugar de divulgar

Artículos conectados

• A Guided Inquiry Approach to Students Co-Designing Generative AI Course Policies — Estudiantes que codiseñan políticas de curso sobre IA generativa mediante indagación guiada (Hingle & Johri 2026)
• Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — Más allá de la detección: cómo el estudiantado usa y oculta la IA en las evaluaciones en línea
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — Divulgación de la IA por parte del estudiantado, estigma y aprendizaje autorregulado
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — El coste oculto de la divulgación: la divulgación y las acusaciones del profesorado
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Incumplimiento del estudiantado de las declaraciones de uso de IA
• Ethical Conditions for University Students' Adoption of Large Language Models in Exam Preparation Contexts — Condiciones éticas para la adopción de LLM en la preparación de exámenes (Pérez-Portabella et al. 2026)
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Las declaraciones como educación y no como detección
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — El coste de la honestidad como umbral de diseño en la evaluación
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — ¿Quién debería calificar mi trabajo? Perspectivas del estudiantado sobre la evaluación transparente de la escritura asistida por IA en la educación superior
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — La divulgación como frontera entre la asistencia y la tergiversación en 50 universidades estadounidenses innovadoras (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Sin consenso sobre la divulgación y la citación de la IA en la política de las facultades de derecho (Gutowski & Hurley 2025)
• AI-written admissions essays are widespread but penalized — Los ensayos de admisión escritos con IA están muy extendidos pero se penalizan
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — ¿Quién actúa, quién sabe, quién responde? Un análisis del discurso asistido por corpus sobre agencia, responsabilidad epistémica y rendición de cuentas en la investigación sobre IA generativa en la educación superior
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — «Ya lo arreglaremos después»: educación, IA y el aplazamiento de la privacidad del estudiantado en la tecnología educativa
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — La IA puede hacer tus deberes. ¿Y ahora qué? Informe de un taller en línea sobre la evaluación en informática en la era de la IA generativa