Gestión del cambio

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

Gestión del cambio: el conjunto deliberado de procesos, estructuras de gobernanza y prácticas de liderazgo mediante las cuales las instituciones de educación superior planifican, implementan y sostienen la integración de la IA en la enseñanza, el aprendizaje y la evaluación. Como la IA generativa llegó como una «tecnología de llegada» que entró en las aulas antes de que se acumulara evidencia pedagógica, la gestión del cambio en la educación con IA debe sostener una adaptación continua bajo incertidumbre en lugar de una adopción única, equilibrando la estabilidad institucional con la innovación emergente y una gobernanza compartida entre administradores, profesorado, estudiantado y responsables de política educativa.

Preguntas para reflexionar

• Aquí la gestión del cambio se describe como gobernar la adaptación continua bajo incertidumbre, porque la IA generativa llegó a las aulas antes de que se acumulara la evidencia pedagógica. ¿Qué significa gestionar el cambio cuando no se puede esperar a las mejores prácticas pero tampoco se pueden escalar de forma responsable innovaciones no probadas?
• Un obstáculo recurrente es la brecha entre la intención de las políticas de arriba abajo y la realidad del aula: por ejemplo, políticas que fomentan la IA generativa mientras los programas de asignatura la prohíben, dejando al profesorado improvisar. ¿Por qué cree que la política y la práctica se separan con tanta facilidad en torno a la IA?
• La investigación encuentra que la orientación pedagógica de cada docente —lo que cree que la IA significa para el conocimiento disciplinar— es el predictor más fuerte de la adopción, mientras que las iniciativas institucionales y la demografía son predictores sorprendentemente débiles. ¿Qué sugiere eso sobre dónde deberían concentrar su energía los esfuerzos de cambio?
• La página señala que solo el 7% de las instituciones ha creado roles de liderazgo sénior en IA pese a que el 49% considera la IA una prioridad estratégica. ¿Qué cree que indica que una institución califique algo de estratégico pero no lo dote de liderazgo?
• Un modelo de juego de coordinación explica por qué las declaraciones de política fracasan por sí solas: el uso de la IA por parte del estudiantado es un proceso colectivo de formación de normas, y cambios pequeños y bien calibrados en los incentivos de la evaluación pueden desencadenar giros rápidos de toda la cohorte hacia un uso responsable. ¿Cómo podría el cambio de los incentivos de la evaluación lograr más de lo que lograría nunca emitir una política?
• La página advierte de que una adopción fragmentada amplía las brechas existentes: la inclusión, la equidad y la sostenibilidad suelen pasarse por alto incluso allí donde se adoptan los principios éticos centrales. ¿Qué estudiantado o qué instituciones sospecha que salen perdiendo cuando el cambio se gestiona de forma desigual, y cómo los mantendría en el centro?

Introducción

La literatura empírica muestra de forma consistente que una gestión eficaz del cambio con IA es un empeño sociotécnico y no meramente técnico. El marco de cambio institucional adapta los modelos clásicos de cambio a la IA generativa y sostiene que las instituciones «no pueden esperar a las mejores prácticas, pero tampoco pueden escalar de forma responsable innovaciones injustificadas», y pide una indagación local humilde, una reforma organizada en torno a enfoques pedagógicos y no a herramientas efímeras, y al estudiantado implicado como socio de la reforma. Este encuadre resuena con el argumento del liderazgo en sistemas complejos de que la educación es un sistema adaptativo complejo en el que quienes lideran deben juzgar cuándo reforzar la estabilidad administrativa y cuándo habilitar un «espacio adaptativo»: difundir innovaciones de alto riesgo como la IA a través de redes sociales de confianza (contagios complejos) en lugar de un flujo lineal de conocimiento.

Un obstáculo recurrente para el cambio es la brecha entre la intención de las políticas de arriba abajo y la realidad del aula. El análisis comparativo de políticas encontró que, aunque el 63% de las políticas de universidades estadounidenses R1 fomenta el uso de IA generativa, la mitad de los programas de asignaturas de informática la prohíbe abiertamente, lo que deja al profesorado improvisar reglas locales incoherentes. Del mismo modo, la revisión de la política de educación superior del Reino Unido documenta una división entre instituciones intensivas en investigación y las lideradas por la docencia, con orientaciones nacionales criticadas por carecer de especificidad y capacidad de aplicación, mientras que el análisis de gobernanza institucional muestra que las políticas de toda la universidad enfatizan la seguridad de los datos y la mitigación de riesgos, mientras que las políticas de nivel escolar (cuando existen) se centran en la pedagogía: un desalineamiento estructural que queda por debajo de las expectativas de acreditación de una integración unificada de currículo, política, evaluación e infraestructura.

La gestión del cambio en la investigación sobre educación con IA

La investigación converge en varias palancas de gestión del cambio. Los marcos de gobernanza ofrecen plantillas basadas en el consenso: el estudio Delphi global propone un marco de gobernanza de la IA generativa en ocho áreas (integridad académica, uso ético, privacidad, acceso equitativo, alfabetización, integración, supervisión humana, apoyo institucional) más un mecanismo de revisión en seis partes para mantener la política al día, y sitúa las políticas como estructuras habilitadoras dentro de un ecosistema institucional interconectado. El liderazgo anticipatorio es el hilo complementario: la revisión de alcance encuentra que las instituciones deben pasar de una gobernanza reactiva a otra impulsada por la prospectiva, con un liderazgo capacitador y distributivo que aumenta la adopción; sin embargo, solo el 7% de las instituciones ha creado roles de liderazgo sénior en IA pese a que el 49% considera la IA una prioridad estratégica.

Los factores impulsores de la adopción revelan por qué el cambio se estanca o prospera. El estudio sobre impulsores organizacionales muestra que la cultura organizacional interna y los atributos tecnológicos (compatibilidad, ventaja relativa, baja complejidad) catalizan la adopción de la IA, con la regulación gubernamental como facilitador externo: dinámicas sensibles al contexto que los modelos de aceptación tecnológica a nivel individual pasan por alto. A la inversa, el estudio sobre la orientación del profesorado encuentra que la interpretación epistémica que cada docente hace de la IA —su orientación pedagógica sobre lo que la IA significa para el conocimiento disciplinar— es el predictor más fuerte de la adopción, mientras que las iniciativas institucionales y la demografía son predictores sorprendentemente débiles. Esto advierte de que los planes estratégicos de arriba abajo tienen un impacto limitado a menos que impliquen las creencias del profesorado, y de que las redes de pares de abajo arriba (los colegas de departamento fueron la principal fuente de información) importan más que las iniciativas centrales.

Los estudios de caso de transformación institucional muestran cómo se plasman estas palancas en la práctica. Qin (2026) analiza el cambio estratégico de la Universidad de Lingnan en cuatro dimensiones —mejora de la docencia mediante la IA, priorización de las competencias humanas irremplazables, renovación del currículo y conservación de los valores éticos y culturales—, lo que ilustra cómo una institución de larga tradición puede gestionar un cambio impulsado por la IA generativa sin renunciar a su identidad. Enmarca la transformación como intelectual y no tecnocéntrica, y ofrece a quienes lideran instituciones un modelo por etapas para exigir la alfabetización en IA preservando a la vez la misión humanística.

La evidencia sobre la implementación en sistemas escolares desplaza la pregunta de qué producto adoptar a cómo se usa. El trabajo de campo de Instruction Partners —32 aulas en 16 sistemas escolares de siete estados— encontró que un mismo producto funcionaba bien o mal según cómo el docente enmarcara el propósito, observara el panel y actuara a partir de lo que este informaba, con actividades de diez minutos que se alargaban toda una clase allí donde faltaban rutinas y un lugar claro en la secuencia didáctica. Los productos que especificaban las acciones del docente durante el uso se empleaban de forma más cercana al enfoque previsto, y el profesorado necesitaba acompañamiento sostenido en lugar de un único despliegue; donde quienes lideraban conocían bien un producto, el profesorado realizaba las acciones deseadas con más frecuencia. La sostenibilidad es una propiedad de la organización, no de la herramienta. Una evaluación aleatorizada de cuatro años de un chatbot de mensajería de texto con IA no generativa en la California State University, Northridge, atribuye la durabilidad a un hogar administrativo (supervisión conjunta de la Oficina de Estudios de Grado y la Oficina del Registro), a una única especialista en comunicación que redactaba todas las campañas para mantener una voz coherente y a suficiente flexibilidad en la combinación de mensajes para absorber el impacto de la COVID-19, mientras que el intercambio de datos entre oficinas para la divulgación segmentada resultó lo bastante oneroso como para que las campañas segmentadas cayeran del 36% al 6% del total anual (Mata, Russell y Page 2026, un documento de trabajo cuyos hallazgos de implementación se basan en la observación del sistema y en conversaciones con el personal administrativo y no en el ensayo). Su resultado de implicación refuerza la misma lección: las tasas anuales de baja nunca superaron el 4% en cuatro años, lo que los autores leen como una receptividad sostenida por cómo la institución adaptó la implementación y no por la tecnología en sí.

La reforma de la evaluación es un campo de batalla central de la gestión del cambio. El estudio sobre la Escala de Evaluación con IA muestra una implementación del marco obstaculizada por incoherencias departamentales, presiones de carga de trabajo e incertidumbre, con el personal describiendo el proceso como «un poco de caos y locura». El modelo de juego de coordinación ofrece una explicación formal de por qué fracasan las declaraciones de política por sí solas: el uso de la IA por parte del estudiantado es un proceso colectivo de formación de normas, y cambios pequeños y bien calibrados en los incentivos de una evaluación reflexiva pueden desencadenar giros rápidos de toda la cohorte hacia un uso responsable, mientras que unos incentivos débiles o mal alineados permiten que persistan las prácticas oportunistas. Esto respalda una gobernanza liderada por la pedagogía frente a la vigilancia. La encuesta sobre la brecha de adaptación a la IA añade una dimensión de partes interesadas: el estudiantado declara una mayor intensidad de uso de IA y una mayor utilidad percibida que el profesorado y el personal administrativo, mientras que estos últimos declaran más preocupaciones por la integridad académica, y la utilidad percibida impulsa la confianza (β = 0.402) con más fuerza que la claridad de la política institucional (β = 0.223).

Implicaciones

La gestión del cambio en la educación con IA conlleva implicaciones tanto positivas como negativas. En positivo, los marcos estructurados ofrecen a las instituciones un camino desde la gestión reactiva de crisis hacia una gobernanza proactiva y participativa; el consenso Delphi y la gobernanza anticipatoria respaldan tratar la alfabetización en IA y la ética como capacidades institucionales transversales y no como reglas aisladas. En negativo, una adopción fragmentada amplía las brechas existentes: el análisis del marco de la UNESCO sobre 30 universidades líderes encuentra que los principios éticos centrales y de gobernanza se adoptan ampliamente, pero la inclusión, la equidad y la sostenibilidad (acceso a internet, paridad de género, impacto ambiental) suelen pasarse por alto, y las clasificaciones nacionales de preparación para la IA no predicen una política institucional sólida. El marco LEAGUE extiende esta preocupación a la analítica del aprendizaje y sostiene que la gobernanza debe ir más allá del cumplimiento (FERPA/RGPD) hacia la legalidad, la equidad, la agencia, la utilidad y la ética desde el diseño, revisando las prácticas con datos del estudiantado de forma transparente y educativa.

Para quienes administran y para los responsables de política educativa, la evidencia aboga por una gobernanza participativa, la inversión en infraestructura y el desarrollo de capacidades por encima de los documentos estratégicos aspiracionales, traduciendo la política nacional en un apoyo concreto al profesorado en lugar de emitir mandatos de arriba abajo. Para el profesorado, la gestión del cambio significa pasar de adoptante a experimentador guiado por la indagación, implicar al estudiantado como socio y anclar la reforma en principios pedagógicos duraderos en lugar de en herramientas que pueden quedar obsoletas en meses, con la advertencia de que el desarrollo profesional debe apuntar a un ciclo de diseño completo (evaluación de necesidades, retroalimentación) y no solo al uso de herramientas, como demuestra la encuesta sobre el marco DOT.

Conexiones con otros conceptos

La gestión del cambio es el complemento institucional de la integración a nivel de aula. Operacionaliza las condiciones sistémicas —gobernanza, desarrollo del profesorado, implicación de las partes interesadas y salvaguardas de equidad— que permiten que la innovación pedagógica arraigue, y conecta el diseño de políticas de política educativa sobre IA con los resultados de gobernanza, desarrollo educativo y equidad en la educación con IA.

Conceptos conectados

• Gobernanza de la IA — las estructuras de política y supervisión que la gestión del cambio operacionaliza
• Política educativa sobre IA — la intención de política nacional e institucional sobre IA que la gestión del cambio debe traducir en práctica
• Desarrollo educativo — construir capacidad y orientación pedagógica del profesorado para la integración de la IA
• Administradores — liderazgo y gobernanza anticipatoria como agentes de cambio
• Alfabetización en IA — capacidad transversal que sustenta una adopción institucional responsable
• Equidad — garantizar que los beneficios del cambio lleguen de forma equitativa a instituciones y estudiantes
• Modelos de adopción tecnológica — impulsores de la adopción que explican cómo se propaga el cambio
• Integridad académica — ancla regulatoria central en torno a la cual se organiza la reforma de la evaluación

Artículos conectados

• Sustaining AI-enabled student support: A four-year implementation and impact study — Sostener el apoyo al estudiantado habilitado por IA: estudio de implementación e impacto a cuatro años de un chatbot institucional (Mata, Russell y Page 2026)

• A Framework for Institutional Change in the Age of AI — marco de seis dimensiones para adaptar los modelos de cambio institucional a la IA como tecnología de llegada

• Leveraging complex systems: Leading for transformative change — el marco SPARK y el liderazgo de la complejidad para un cambio transformador

• Governing generative AI in higher education: a global Delphi study on policy and practice — consenso Delphi global sobre la gobernanza de la IA generativa en ocho áreas

• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — revisión de alcance sobre gobernanza anticipatoria y liderazgo

• The AI Adaptation Gap in Higher Education: Students, Faculty, and Administrative Staff — brechas entre partes interesadas en el uso, las actitudes y la confianza en la IA entre estudiantado, profesorado y personal

• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — intención de política nacional frente a capacidad institucional en la educación superior del Reino Unido

• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — impulsores organizacionales y tecnológicos de la adopción de la IA

• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis — análisis del marco de la UNESCO sobre políticas institucionales de IA generativa

• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — transformación digital de una universidad de artes liberales hacia un modelo intensivo en investigación en la era de la IA generativa (Qin 2026)

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — mediadores digitales que traducen la estrategia institucional de IA en práctica fundamentada bajo escasez de infraestructura

• 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

• AI in Action Learning Tour — trabajo de campo entre sistemas sobre cómo la implementación y las acciones del profesorado deciden si un producto de IA ayuda

• Practitioner beliefs and behaviors in AI-enhanced education: DOT framework survey evidence — evidencia de encuesta de que el desarrollo profesional debe cubrir un ciclo de diseño completo y no solo el uso de herramientas