Conceptos
Política educativa sobre IA
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Política educativa sobre IA — las reglas formales e informales que gobiernan el uso de la IA en las instituciones educativas, desde la legislación nacional hasta las directrices de aula. La investigación sobre políticas abarca la gobernanza institucional, los mandatos de curriculum y los requisitos de formación docente.
Preguntas para reflexionar
- Las políticas institucionales sobre IA suelen redactarse como si decirle a la gente cuáles son las reglas cambiara lo que hace. La investigación sugiere que estas políticas pueden quedar muy por detrás del uso real de la IA. ¿Por qué cree que una política «sobre el papel» tan a menudo no coincide con lo que ocurre en las aulas?
- Si externalizar los deberes causa pérdidas de aprendizaje que pasan en gran medida desapercibidas —porque ningún docente concreto relaciona el declive de un estudiante con el uso de IA—, ¿qué tipo de política sería siquiera posible? ¿Cómo sería el seguimiento?
- Las decisiones de política de evaluación como los exámenes orales, las pruebas con supervisión y los formatos sin material de consulta son en sí mismas respuestas al fraude habilitado por la IA. ¿Cree que vigilar el «producto» (detectar el uso de IA) es mejor estrategia que rediseñar la evaluación para que el propio trabajo sea más difícil de externalizar?
- La política educativa sobre IA abarca la legislación nacional, las orientaciones gubernamentales, las reglas institucionales y las decisiones a nivel de aula. ¿Cuál de estos niveles cree que da forma de verdad al comportamiento de estudiantes y docentes, y por qué?
- ¿Qué voces suelen dar forma a la política sobre IA y cuáles faltan? ¿Quién debería estar en la mesa cuando una institución decide qué uso de la IA se permite y cómo se gobierna?
Introducción
La IA en la educación se gobierna mediante una pila de instrumentos: legislación nacional, orientaciones gubernamentales, políticas institucionales, reglas departamentales y las declaraciones que el profesorado escribe en cada programa de asignatura. Difieren en fuerza legal, en la frecuencia con que se revisan y en quién se espera que los interprete, pero comparten un problema: normalmente se escriben después de que la tecnología que gobiernan ya ha entrado en el aula.
La investigación documenta esa brecha desde ambos lados. Los documentos de política de la mayoría de los sistemas no han seguido el ritmo del uso real de la IA, y donde existen reglas suelen ser orientaciones y no política exigible, escritas a nivel de curso por docentes concretos y no por la institución. El mismo patrón aparece en K-12, donde solo una minoría de los centros declara tener alguna política, y en los programas profesionales, donde los documentos de asesoramiento superan en número a las reglas vinculantes.
La política es algo distinto de la gobernanza. Una política responde a cuáles son las reglas; la gobernanza responde a quién decide y cómo surten efecto realmente las reglas. Mantenerlas separadas importa porque la investigación muestra repetidamente que las políticas fracasan no por falta de contenido sino por falta de maquinaria: ciclos de revisión, desarrollo profesional, vías de apelación y seguimiento. De ahí se siguen cuatro cosas: los niveles en que se hace la política, la brecha de madurez que separa las reglas escritas de la práctica en el aula, las cuestiones de política de evaluación que la IA impone y las estructuras de gobernanza que deciden si algo de ello se sostiene.
La brecha tiene una forma discursiva además de organizativa. Hashem (2026) lee cuatro publicaciones de la UNESCO y la OCDE a través de los significantes flotantes de Laclau y encuentra que el vocabulario compartido de gobernanza (responsabilidad, transparencia, confianza, autenticidad, uso responsable, aumentación) adquiere fuerza normativa por repetición sin adquirir nunca una definición operativa. La OCDE (2026) documenta veintitrés países y jurisdicciones que convergen en ese vocabulario mientras dejan su significado a la interpretación contextual, y la OCDE (2023) informa de que a comienzos de 2024 ninguno de los dieciocho países encuestados contaba con regulación específica de IA generativa en educación, y nueve delegaban la responsabilidad principal en el ámbito escolar. El efecto es la no-performatividad de Ahmed: los compromisos se formulan en lenguaje modal, sin un mecanismo mediante el cual pudieran hacerse efectivos o evaluarse, y la responsabilidad se distribuye entre proveedores, instituciones, profesorado y estudiantado hasta que ningún actor la sostiene.
La conclusión práctica de Hashem es un desplazamiento de la implementación de políticas a la puesta en acto de las políticas, con las instituciones escribiendo los límites de divulgación, autoría y evaluación que los textos internacionales dejan abiertos.
Niveles de política
La política se hace en varios niveles a la vez, y no se mueven juntos. Las viñetas siguientes nombran el nivel y la investigación que lo documenta.
- Política institucional: el análisis de políticas institucionales compara cómo las universidades desarrollan políticas de IA. Los marcos de cambio institucional aportan modelos para el desarrollo de políticas. Qian (2026) codificó las principales páginas sobre IA de las 50 universidades estadounidenses clasificadas como más innovadoras en 2025 y encontró que solo 6 las enmarcaban como una «política», mientras que 44 publicaban orientaciones, directrices, principios o centros de recursos, y que 33 de 50 situaban al profesorado como principal traductor de las expectativas institucionales a reglas de curso: la política institucional se escribe deliberadamente como orientación adaptable para su interpretación a nivel de curso, en lugar de como regla fija.
- Política gubernamental: la política de aprendizaje a lo largo de la vida examina enfoques regulatorios a nivel nacional y regional. Una visión crítica, de nivel infraestructural, de la IA en la elaboración de políticas gubernamentales es la de Perrotta (2026), cuyo análisis del prototipo de Grandes modelos de lenguaje (LLM) Redbox para el servicio civil del Reino Unido muestra cómo la IA de propósito general entra en el conjunto de herramientas profesionales de la política mediante la «gobernanza de disparo único» (zero-shot): modelos fundacionales agnósticos al dominio que intervienen en las decisiones, envueltos en delgados andamiajes específicos de dominio.
- Política de K-12: las revisiones de evidencia de Stanford pasaron de 818 artículos del repositorio y 20 estudios causales sólidos en marzo de 2026 a 1.686 artículos y 52 estudios causales en la actualización de noviembre de 2026, e informan la política de IA en K-12.
- Política de evaluación: las políticas de reforma de la evaluación y los marcos de Evaluación auténtica representan respuestas a nivel de política al fraude habilitado por la IA. La elección del formato de evaluación sumativa —oral, con supervisión, sin material de consulta— es en sí misma una decisión de política de evaluación (véase Evaluación sumativa).
La brecha de madurez: política escrita antes del uso y antes de la evidencia
La mayoría de las reglas escritas llegan después de la práctica que debían gobernar, y el registro de políticas muestra ese retraso. Los programas de Desarrollo educativo, los marcos de Competencia en IA del profesorado y la Regulación de la IA en educación requieren todos bases de política coherentes. La evidencia de campo a gran escala (Strömberg, Lei y Wu, 2026) muestra que las pérdidas de aprendizaje por externalizar los deberes pasan en gran medida desapercibidas porque los docentes de cada asignatura y los propios estudiantes rara vez relacionan el declive con el uso de IA: una brecha que una política informada por la evidencia (por ejemplo, ponderar la evaluación sin material de consulta, informar al estudiantado de los costes a largo plazo, supervisar los insumos y no los productos) puede abordar. Un análisis de sentimiento por aspectos de 36 políticas universitarias sobre IA generativa (IAG) en cuatro países encontró que las declaraciones sobre docencia estaban enmarcadas positivamente y las de IA generativa y ética negativamente, sin un efecto significativo del país: el encuadre sigue a la dimensión de la política y no al sistema nacional (Sun et al. (2026)).
La inconsistencia no es un asunto académico para quienes la aplican: quince docentes con contrato por horas informaron de que el estudiantado no puede cumplir con reglas que difieren entre asignaturas, y de que la prevalencia ni siquiera puede estimarse sin orientaciones más claras (Andriamora y Andriamora, 2026).
Donde se ha formado consenso para llenar esa brecha, el Delphi de 35 expertos de Crompton et al. (2026) en 22 países convergió en ocho áreas de gobernanza —con la integridad académica como ancla central— más un mecanismo de revisión de seis partes (comité permanente de IAG, revisiones programadas de políticas, desarrollo profesional, comunicación, evaluación de impacto, seguimiento) para mantener las políticas al día.
La preparación nacional en IA no predice la solidez de la política institucional. Adarkwah et al. (2026) puntuaron 26 universidades de diez países con AIPI alto frente al marco de ocho componentes de la UNESCO sobre IAG y encontraron que las instituciones nórdicas y neozelandesas lo cubrían de forma más completa que pares mejor clasificados, mientras que la inclusión, la equidad y la sostenibilidad eran los elementos más desatendidos.
Los documentos de orientación superan en número a las políticas vinculantes. Un censo de todos los programas acreditados de un campo profesional muestra que la brecha de madurez es tanto de forma como de momento. Eldredge et al. (2026) recogieron documentos de política y orientación sobre IA de los 48 programas de máster en informática de la salud y gestión de la información sanitaria acreditados por CAHIIM en Estados Unidos y encontraron que 40 (83%) tenían al menos un documento público relacionado con la IA mientras que 8 no tenían ninguno, pero que los documentos eran mayoritariamente orientaciones y no reglas exigibles: 21 directrices (53%) frente a 7 políticas formales (18%). Su contenido se centraba en la integridad académica y el uso aceptable, con los conceptos de privacidad, propiedad intelectual y regulación (HIPAA, FERPA, cumplimiento en investigación) apareciendo mucho menos, y el modelado de temas devolvió el mismo énfasis en la conducta del estudiantado. Ni el tipo de documento ni el público destinatario variaron según la modalidad de impartición (P exacta de Fisher = 0,85 y P = 0,71). Los autores lo leen como evidencia de que la política de los programas académicos es una actividad distinta del diseño curricular y del desarrollo de competencias de la fuerza laboral, y sostienen que los organismos acreditadores podrían reducir la variación resultante proporcionando marcos de política de IA que integren la integridad académica, la ética de datos y el acceso equitativo.
La forma jurídica es más rara que el lenguaje jurídico. En una revisión de alcance de 160 documentos, el 2,5% de los instrumentos tenía fuerza legal mientras que el 57,5% eran orientaciones o kits de herramientas, y solo 3 de los 131 documentos que invocaban controles legales eran en sí mismos instrumentos jurídicos (Elmahjub et al. (2026)).
Una revisión sistemática del Reino Unido añade una capa sectorial a la misma brecha: la inversión en infraestructura y la formación del personal en IA se concentran en las universidades intensivas en investigación (Russell Group), mientras que las instituciones centradas en la docencia (post-92) se enfrentan a limitaciones de capacidad, y solo una minoría de las instituciones británicas mantiene planes oficiales de gobernanza de la IA (Ashiq (2026)).
Un sector que hace política sin base de evidencia. La brecha de madurez también aparece como un problema de evidencia en los programas profesionales. Gutowski y Hurley (2025) puntuaron las políticas institucionales de las facultades de derecho estadounidenses aprobadas por la ABA en cinco dimensiones —prohibitividad, permisividad, integración educativa, transparencia y rendición de cuentas, y profundidad— y encontraron que la mayoría adoptaba posiciones generalmente prohibitivas a la vez que reservaba discrecionalidad al profesorado y se comprometía a revisar las reglas conforme avanza la tecnología. Atribuyen la cautela a la presión de tiempo más que a la evidencia: la encuesta de la ABA de 2024 recibió respuestas de solo alrededor del 15% de las facultades acreditadas, y los autores informan de que no hay consenso sobre si debe declararse el uso de IA ni sobre cómo debe citarse. Su conclusión es procesal: construir la política con el profesorado y no para él, formar de manera proactiva y tratar la generación de políticas como un acontecimiento recurrente en lugar de un acto único, lo que convierte la Educación jurídica en uno de los casos más claros de la distinción entre política y gobernanza.
El profesorado regula; las instituciones en su mayoría no
La brecha de madurez tiene una segunda cara, visible desde el lado de la enseñanza. Watson y Rainie (2026) encuestaron a 1.057 docentes de universidades y colleges estadounidenses y encontraron que las reglas se han escrito mucho más rápido por debajo de la institución que en ella: el 87% de los encuestados creó sus propias políticas a nivel de tarea para el uso de IA por parte del estudiantado, frente al 35% que dijo que su departamento ha redactado directrices y el 48% que dijo que lo ha hecho su institución. La respuesta estructural que hay detrás de esos documentos es escasa: el 55% informó de un grupo de trabajo u órgano de supervisión, el 37% de nuevas asignaturas centradas en IA, el 17% de un grado o minor en IA, el 16% de nuevas oficinas de liderazgo académico y solo el 13% de adopción de la alfabetización en IA como resultado de educación general, mientras que el 68% dijo que su institución no había preparado al profesorado para enseñar con estas herramientas. Debido a que el estudiantado se encuentra el mosaico resultante como un único régimen institucional, el hallazgo es evidencia directa de la distinción entre un documento de política y la gobernanza que lo hace consistente. (Los autores describen la muestra como no científica y no generalizable, por lo que conviene leerla como las preocupaciones expresadas del sector.) Esa brecha documentada tiene una consecuencia medida del lado del estudiante. El diseño de dos estudios de Chen —160 estudiantes de arte en un experimento de escenario y 425 encuestados (Chen, 2026)— encontró que la inconsistencia percibida entre la promoción de la IAG de una universidad y sus prácticas reales de enseñanza, evaluación y apoyo predecía positivamente tanto las valoraciones de obstáculo (β = 0,431) como las de desafío (β = 0,496), que conllevaban efectos indirectos opuestos sobre la implicación en el proceso creativo (β = −0,060 a través del obstáculo, p = 0,004; β = 0,217 a través del desafío, p < 0,001), de modo que una sola política desalineada puede suprimir y sostener a la vez el trabajo creativo del estudiantado.
La regulación a nivel de tarea es el patrón emergente. Un estudio longitudinal a gran escala de más de 31.000 programas de asignatura (2021–2025) en una gran universidad pública de investigación (Chirikov 2026) muestra cómo regula el profesorado la IA en la práctica: la regulación explícita de la IA pasó de casi cero al 55% de los cursos en el otoño de 2025, pero la dirección cambió de restrictiva a permisiva, y el profesorado diferenciaba cada vez más por tipo de tarea: restringía la IA para redactar o razonar (tareas con riesgo de desplazamiento) mientras la permitía para editar y corregir y para apoyo al estudio (tareas de aumento). El encuadre también pasó de la integridad académica (63%→49% de los programas) al impacto en el aprendizaje (1%→29%). Este patrón basado en tareas —construido sobre los mecanismos de economía laboral del desplazamiento, el aumento y la reinstauración de tareas— ofrece una alternativa más granular a las políticas de adopción o prohibición indiscriminadas y es un ancla empírica directa para la distinción entre política y gobernanza anterior.
El lado del estudiantado en la regulación por tareas está igualmente moldeado por la política. Con dos de las tres evaluaciones bajo un nivel idéntico de uso abierto, el formato de la evaluación siguió decidiendo para qué usaba el estudiantado la IA generativa: los usos de retroalimentación pasaron del 0% en una presentación andamiada al 66,7% en un examen para llevar a casa (Quince y Faulconer (2026)).
El diseño de políticas a nivel de docente como ejercicio de alineación. La regulación a nivel de tarea tiene una contraparte de diseño por debajo del programa de asignatura. El caso de diseño de McCorkle (2025) deriva los usos de la IAG permitidos y no permitidos de un curso a partir de «¿qué estoy evaluando, en concreto?»: inventariar cada tarea de un proyecto, vincular cada tarea a un objetivo de aprendizaje, emparejar cada una con una competencia emergente de la fuerza laboral en IAG (Desarrollo y preparación profesional) y luego decidir qué preocupación tiene prioridad: la necesidad de evaluar el desempeño del estudiantado o el valor de desarrollar la competencia. La política resultante difiere tarea a tarea dentro de un mismo proyecto —se permite idear temas y seleccionar imágenes, no se permite redactar objetivos de aprendizaje ni diseñar diapositivas— con la justificación escrita directamente para el estudiantado. El caso documenta también por qué fracasan en la práctica las prohibiciones indiscriminadas: el estudiantado que no se ve a sí mismo como deshonesto interpreta una prohibición como algo que no le concierne, y la política se vuelve inequitativa (Equidad) cuando las expectativas quedan implícitas. Complementa los niveles de política descendentes anteriores al mostrar cómo el contenido de una política puede generarse a partir de la alineación de la Evaluación a nivel de curso y de tarea.
Política de evaluación: fronteras, supervisión y superficies de ataque
La brecha entre frontera y evidencia en la política de evaluación. Una auditoría de 30 universidades sobre orientaciones públicas de evaluación con IA generativa (Yao 2026) encuentra que las políticas institucionales son mejores clasificando el uso de IA que explicando qué evidencia de aprendizaje sigue siendo válida en cada clase: la puntuación media de la frontera de delegación (2,47/4) superó la puntuación media del estándar de evidencia (1,89/4), las salvaguardas eran escasas (2,75 de 8) y la orientación era más clara para la sustitución del producto final. El marco de la custodia cognitiva (cognitive stewardship) sostiene que las políticas deben hacer visible la lógica de certificación —qué pueden delegar quienes aprenden, qué deben demostrar aún y cómo protegen las instituciones una evidencia justa— en lugar de limitarse a vigilar el uso de IA.
En 36 universidades australianas, 11 finlandesas y 8 de Hong Kong, las orientaciones sobre evaluación con IA generativa eran casi universales, mientras que las políticas de calificación guardaban silencio sobre cómo se representa el logro (Nieminen et al. (2026)).
La forma de la política no predice la práctica. Villanueva (2026) encontró instituciones con mandato, marco y orientación repartidas por todo el rango de exposición de 53.915 ítems de evaluación australianos, así que una política central prescriptiva no acompañaba a una evaluación menos vulnerable a la IA.
Lenguaje prohibitivo demasiado amplio y reglas mal aplicadas. El alcance de una regla es una decisión de política con consecuencias más allá del cumplimiento. Wright (2026) sostiene que las prohibiciones indiscriminadas redactadas en toda la educación superior desde 2023 excluyen la «IA generativa» sin la precisión técnica necesaria para separar la generación de contenido de la conversión de formato asistida por IA: el reconocimiento óptico de caracteres, el reconocimiento de texto manuscrito y la conversión de voz a texto son tecnologías de reconocimiento que infieren lo que el estudiante ya escribió en lugar de producir contenido nuevo. En esta lectura, sancionar el uso exclusivamente de transcripción se caracteriza mejor como una aplicación indebida de la política que como una falta de conducta, y el coste de la imprecisión recae de forma desigual: el estudiantado con exposición a desigualdades y con discapacidad que depende de esas herramientas soporta un riesgo desproporcionado de falsos positivos, una exposición que las cuestiones y riesgos legales tratan como una cuestión de ajuste razonable y no de integridad.
Una frontera basada en la finalidad en lugar de una lista de herramientas. Li (2026) aporta el contenido de política que le falta al lenguaje prohibitivo demasiado amplio: una línea entre apoyo y sustitución definida por la función y el constructo evaluado, y no por nombrar herramientas, con el argumento de que las listas de herramientas quedan obsoletas y fomentan el cumplimiento según la interfaz. El apoyo permitido es una intervención superficial que no añade ideas, ni fuentes, ni una reordenación material del análisis; la sustitución es generar argumentos o contraargumentos, aplicar reglas disciplinares a los hechos, reestructurar una secuencia analítica o generar citas para incluirlas. El marco se entrega como tres instrumentos: definiciones operativas con pruebas rápidas compartidas para que dos evaluadores caractericen igual la misma conducta; plantillas calibradas de declaración del uso de IA que van desde nada para funciones de bajo riesgo integradas hasta una frase para la edición externa de lenguaje y unas 80–120 palabras cuando se autoriza expresamente una ideación limitada; y una rúbrica de decisión que nombra los indicios débiles (lenguaje pulido o fluidez repentina, formulaciones de no nativos, puntuaciones únicas de detección) junto a los tipos de evidencia que pueden tener peso. También enuncia las condiciones bajo las cuales siguen siendo viables los regímenes permisivos escalados como la Escala de Evaluación con IA: uso autorizado expresamente para la tarea concreta, constructo reespecificado para que estudiantes y evaluadores sepan qué se evalúa, y declaración que se mantiene factible.
Automatización por etapas con supervisión humana obligatoria. La prueba nacional de acreditación de secundaria inferior de Uruguay, Acredita EB, ofrece un modelo concreto de automatización que preserva la supervisión en la política de evaluación: las secciones de opción múltiple y los procedimientos existentes se mantienen sin cambios, la IA se usa solo para la sección de escritura dentro de una etapa de calibración obligatoria sobre 50–100 textos, y dos reglas de poda deciden qué resultados requieren revisión experta: los candidatos que no pueden aprobar en las otras dos secciones no necesitan revisión de la escritura, y los candidatos competentes en las tres secciones aprueban con solo un 0,2%/0,6% de riesgo residual observado. Los autores estiman que el diseño podría reducir al menos un 50% las respuestas escritas que requieren puntuación humana completa, manteniendo el principio rector de que ninguna decisión final sobre los resultados de la prueba se toma sin la supervisión humana adecuada. Esto complementa el trabajo sobre frontera y evidencia anterior al mostrar una política que especifica no solo dónde se permite la IA, sino qué evidencia humana y qué revisión siguen siendo obligatorias.
El lado adversarial de la calificación automatizada. Una política que encauza la calificación a través de una herramienta de IA hereda una superficie de ataque. Humble (2026) hizo un ejercicio de equipo rojo sobre un flujo institucional de calificación ocultando cinco inyecciones indirectas de prompt dentro de los archivos de una entrega sintética que Microsoft Copilot (GPT-5.2) había calificado como suspenso en las seis ejecuciones de referencia. Dos estrategias elevaron la nota sin ninguna advertencia visible para la persona usuaria —tasas de éxito notificadas del 100% (9 de 9 iteraciones) y del 94% (17 de 18)—, y la herramienta desactivó silenciosamente un chat tras bloquear el ataque más simple y, en una iteración, anunció que ignoraría las instrucciones incrustadas antes de elevar la nota en las seis ejecuciones siguientes. Una nota obtenida mediante una instrucción oculta no conlleva ninguna pretensión de validez, y la misma técnica podría degradar una entrega sin rastro duradero, por lo que las peticiones del artículo son de nivel político y no técnico: orientación sectorial, desarrollo profesional, uso restringido de la IA con revisión humana para trabajos de alto riesgo, y pruebas estandarizadas y agnósticas al dominio de la resistencia a la inyección de prompts, para que la superficie de ataque se mida en lugar de suponerse. Es la contraparte adversarial de los diseños de supervisión anteriores: donde aquellos especifican qué revisión humana es obligatoria, este especifica una clase de manipulación que la revisión existe para detectar pero para la que no tiene ninguna señal fiable.
Una matriz de valores y normas como base de política. Agarwal et al. (2026), una revisión sistemática de 25 artículos, consolidan la ética de la IA en la educación en seis valores éticos principales (no discriminación, custodia de datos, supervisión humana, buena voluntad, explicabilidad e idoneidad educativa) y mapean las normas éticas extraídas de la literatura sobre una matriz de actores por valores. La revisión sitúa la matriz como base para construir marcos éticos detallados y regulación para la AIED, dando a las instituciones educativas, a los desarrolladores y a los reguladores normas concretas para implementar valores específicos. Encuentra que las normas de buena voluntad dirigidas a los reguladores son mucho más numerosas (nueve) que para cualquier otro conjunto de actores, lo que señala el papel de los reguladores a la hora de garantizar que la AIED beneficie a quienes aprenden mediante políticas y legislación: un punto de partida concreto y anclado en valores para la maquinaria de política y gobernanza.
Afirmaciones de evidencia y la maquinaria de la política
Afirmaciones que viajan más lejos que sus matices. Un anuncio piloto es también un instrumento de política, y sus estándares de comunicación forman parte de la política. Restrepo Morales et al. (2026) analizan el episodio de El Salvador de septiembre de 2026, en el que un piloto de tutoría con IA en 171 escuelas públicas se presentó como con resultados comparables a los de Alemania y Suecia: frente al promedio alemán de matemáticas en PISA 2022, el 5,5% superior de la distribución nacional de rendimiento habría igualado la referencia sin ninguna ganancia de aprendizaje, y la evaluación del piloto cubrió 7,0 estudiantes por escuela frente a 25,4 en la encuesta nacional del mismo año, por lo que la evidencia publicada no puede excluir la selección como explicación. Su propuesta es un estándar de comunicación de seis puntos —la línea base de las escuelas participantes; el protocolo de muestreo (estudiantes elegibles, estudiantes evaluados, regla de identificación, tasa de participación); las puntuaciones desagregadas con errores estándar; la fecha operativa de cada componente de la reforma; la superposición con la muestra nacional representativa; y el matiz enunciado en el mismo documento, publicación o párrafo que la afirmación—, motivada por la aritmética de divulgación del propio anuncio: la publicación del Banco Mundial que llevaba la afirmación registró unas 441.000 visualizaciones frente a unas 11.000 de la publicación que llevaba el matiz cuatro posiciones más adelante en el mismo hilo. La lección de política es que, cuando un sistema usa resultados a nivel de escuela como evidencia sobre sí mismo, el formato de la divulgación decide qué afirmación se convierte en el hecho público.
El pilotaje mismo puede convertirse en la maquinaria de la política. Williamson et al., 2026 leen el EdTech Impact Testbed de Inglaterra —un millón de libras iniciales para 16 empresas constructoras de prototipos en 2025 y después 23 millones para ampliar el piloto a 1.000 centros escolares— como gobernanza anticipatoria: las aulas se convierten en bancos de pruebas que producen evidencia promisoria y de último momento para el escalado.
Un análisis a nivel de país de PISA 2022-2025 encontró que los países con mayor uso de IA generativa mostraban mayores declives en lectura y matemáticas, una asociación que desaparecía una vez controlado el rendimiento previo (Guerra y Aslanov, 2026). Los autores lo interpretan como una advertencia de que un acceso más amplio a los chatbots no debe tratarse como un beneficio en sí mismo, y piden despliegues acompañados de evaluación longitudinal.
Política frente a gobernanza
La política y la gobernanza están estrechamente relacionadas pero son distintas, y mantenerlas separadas importa para entender la investigación.
- La política es el contenido: lo que se decide. Una política es una regla, un principio o una declaración formal: qué uso de IA se permite, se prohíbe o se exige; qué debe declararse; qué formatos de evaluación se permiten. Existe como artefacto documentado (legislación, directriz institucional, declaración en el programa de asignatura) y responde a «¿cuáles son las reglas?».
- La gobernanza es la maquinaria: cómo se decide, se implementa y se hace cumplir. La gobernanza abarca las estructuras institucionales, las normas y los mecanismos de rendición de cuentas que producen, llevan a cabo y supervisan la política: quién fija las reglas, cómo se comunican y se dotan de recursos, cómo se hace cumplir el cumplimiento y cómo se impugna, y cómo se revisan a medida que evoluciona la IA. Responde a «¿quién decide y cómo surten efecto realmente las reglas?».
- Son interdependientes. La política sin gobernanza no se aplica: una regla escrita de la que nadie se responsabiliza, nadie supervisa ni nadie actualiza. La gobernanza sin política carece de dirección: estructuras que no administran nada en particular. La investigación muestra repetidamente que ambas deben construirse juntas: una política que solo clasifica el uso de IA sin gobernanza que especifique evidencia, salvaguardas y procesos de revisión sigue siendo débil en la práctica (la auditoría de custodia cognitiva), y una gobernanza que solo vigila sin una política clara corre el riesgo de vigilancia sin equidad (véase gobernanza de la IA).
La contratación fija el entorno de datos antes de que se decida cualquier pedagogía. Pandey y Davies (2026) tratan la dependencia de plataformas como un riesgo de gobernanza y no como una partida de costes, ya que el contrato decide la soberanía de los datos, los derechos de auditoría y las condiciones de salida. Lo argumentan como proposición conceptual a partir de una revisión interpretativa, no a partir de evidencia institucional.
El liderazgo sénior en IA es escaso en relación con la ambición estratégica. Una revisión de alcance de 19 fuentes encontró que solo el 7% de las instituciones había creado roles de liderazgo sénior en IA aunque el 49% trataba la IA como una prioridad estratégica, y la mayoría de los estudios incluidos eran conceptuales o transversales, por lo que no pudo establecerse ningún efecto causal de la gobernanza anticipatoria (Baroudi (2026)).
La prueba práctica que las separa: una política puede leerse sobre el papel, pero la gobernanza se observa en si la regla se implementa, se aplica y se adapta. Por eso la Gobernanza de la IA extiende la Regulación de la IA en educación y la política hacia el interior de las instituciones, y por eso las elecciones de formato de evaluación (Evaluación sumativa) cuentan como decisiones de política que solo se vuelven efectivas mediante estructuras de gobernanza como los consejos de revisión, los marcos de declaración y las vías de apelación.
La política de aula como frontera interpretativa de la gobernanza. La maquinaria de la gobernanza no se detiene en el documento institucional; el profesorado que lo lee y lo adapta es el último eslabón de la cadena, y Nash y Burriss (2026) muestran cómo es ese eslabón en la práctica. Su profesorado en formación inicial esperaba trabajar en distritos con políticas de IA y aun así tuvo que redactar reglas específicas de aula para su propio estudiantado —una habilidad de adaptación esencial—, y los autores sostienen que el profesorado puede negarse a adoptar la IA en tareas concretas de lectura y escritura sin ignorarla, con una negativa fundamentada distinguible de un rechazo acrítico. Mantener viable esa distinción es en sí mismo una tarea de gobernanza: los distritos y los programas de formación necesitan las orientaciones, el desarrollo profesional y la infraestructura de política que permitan al profesorado negarse a usos concretos sin ser tildado de quedarse atrás.
Indicadores de gobernanza para el problema de la autenticación. Coates, Croucher y Calderon (2025) aportan la capa de medición que implica esta distinción entre política y gobernanza, tratando la Integridad académica en la era de la IAG como un problema de gobernanza antes que de detección y juzgando la gobernanza académica contemporánea resiliente pero «no bien posicionada ni preparada» para proteger la autenticación de la Evaluación del estudiantado. Su marco contiene 130 preguntas de gobernanza bajo ocho dimensiones —Diseñar, Desarrollar, Formar, Implementar, Analizar, Informar, Evaluar y Mejorar—, y los ítems son preguntas sobre la maquinaria institucional y no escalas psicométricas: si el máximo consejo o junta de la institución recibe actualizaciones sobre los procesos y resultados de evaluación, si los indicadores clave de rendimiento cubren la calidad de la evaluación, qué porcentaje del estudiantado es conocido individualmente por el profesorado que lo evalúa, si las calificaciones extremadamente bajas o altas se verifican de forma cruzada y si existe una vía simple para derivar casos de fraude por encargo. El programa de reforma que lo acompaña se dirige a las arquitecturas de gobernanza, a las personas que ocupan roles de gobernanza y a las tecnologías y recursos que sostienen la evaluación, y los autores sostienen que poco desarrollo institucional rinde frutos sin el apoyo externo de la regulación, el benchmarking y la competencia entre instituciones: la misma presión regulatoria que la página de Regulación de la IA en educación trata como la restricción vinculante de la reforma de la gobernanza. La brecha también se mide en K-12, no solo en las universidades. Una encuesta representativa a nivel nacional de 1.018 docentes y directores de escuelas públicas de EE. UU. encontró que solo el 18% del profesorado y el 24% de los directores informaban de una política escolar sobre IA generativa: el mismo patrón de vacío por debajo de la institución visto en la educación superior (Tench, Weinstein y James, 2026).
La coordinación es la capacidad de gobernanza que más a menudo falta. La comparación de iRAISE de 2026 entre Francia, Canadá, Egipto y Catar encontró que ningún ministerio por sí solo puede gobernar la IA generativa a través de educación, salud, protección infantil, justicia y cultura. Los sistemas que se mantuvieron cohesionados designaron una autoridad coordinadora —normalmente el ministerio de educación, o el nivel regional en sistemas federales— con mecanismos permanentes para que las políticas de currículo, infraestructura, seguridad y protección de datos se diseñaran juntas (Cerioli, 2026). La comparación también matiza la lectura centrada en el diseño: los cuatro modelos diferían marcadamente en estructura, y en los cuatro la confianza del profesorado, la mediación parental y la confianza comunitaria importaron tanto como la arquitectura de política.
El déficit de política en la investigación sobre IA × aprendizaje socioemocional
Una revisión sistemática de 65 artículos en la intersección entre la IA y el aprendizaje socioemocional (Tran, Liu y Nguyen, 2026) documenta un «déficit de política»: casi tres cuartas partes de los estudios no enuncian implicaciones de política, y los que lo hacen a menudo carecen de especificidad orientada a actores. La revisión encuentra que la implicación en política se correlaciona con el medio de publicación, lo que refleja incentivos académicos que premian la novedad técnica por encima de la Gobernanza de la IA y la Regulación de la IA en educación. Propone un marco de «preguntas WH» (quién, qué, por qué, cuándo/dónde, cómo) y un cambio de «la implicación como añadido» a «la implicación como metodología»: tratar la articulación de políticas como una restricción de diseño de la investigación y no como un añadido a posteriori.
El mismo déficit tiene un lado de demanda. Gillette et al. (2026) aportan evidencia del lado de la demanda desde una facultad sueca de ciencias sociales: el 31% de las personas participantes en la encuesta y en los grupos focales plantearon la ética sin que se les preguntara, la mayoría quería más orientación institucional, y las consecuencias ambientales de la IA generativa estaban ausentes por completo de los documentos de política.
Los financiadores forman una capa de política propia: de 46 organismos con orientación sobre IA, 12 vincularon reglas específicamente a la financiación, y ninguno de esos instrumentos de financiación recogía las disposiciones de gobernanza que declaraban sus políticas generales (Chan, 2026).
Implicaciones para la práctica
El profesorado puede escribir reglas a nivel de tarea y no de curso. El estudio de programas de 31.000 cursos muestra que el giro ya está ocurriendo: las restricciones se concentran en redactar y razonar, los permisos en editar y en el apoyo al estudio. Nombrar qué tarea cubre una regla, y escribir la razón para el estudiantado, hace más que una prohibición general que quien no se considera deshonesto leerá como no aplicable.
Quienes dirigen departamentos pueden comprobar si su política tiene fuerza legal. En una revisión de 160 documentos, el 2,5% de los instrumentos eran jurídicamente vinculantes mientras que el 57,5% eran orientaciones o kits de herramientas. Un documento de orientación deja la aplicación a quien lo lea, lo que en la práctica significa que cada docente escribe sus propias reglas.
Quienes desarrollan al profesorado pueden apoyar las reglas que el profesorado ya está escribiendo. Las reglas a nivel de tarea son la forma común: el 87% de 1.057 docentes estadounidenses escribió las suyas, frente al 35% que informó de orientación departamental. Ese trabajo ocurre sin apoyo institucional, y una plantilla compartida con ejemplos trabajados es más barata que una nueva oficina de política.
Quienes dirigen la evaluación pueden especificar qué evidencia sigue siendo válida bajo cada permiso. Las auditorías de las orientaciones institucionales encuentran que los límites se clasifican con más claridad que el estándar de evidencia que debería acompañarlos, lo que deja a quienes califican decidiendo qué significa un uso permitido para la nota.
Quienes hacen política pueden emparejar el despliegue con una evaluación diseñada de antemano. El piloto de El Salvador se presentó como equiparable a sistemas de alto rendimiento en una evaluación que cubría 7,0 estudiantes por escuela, y la afirmación viajó más lejos que su matización. Una línea base, un muestreo y resultados desagregados declarados junto a la afirmación son la diferencia entre un piloto y un anuncio.
Concepciones erróneas
- «Las universidades tienen política de IA de verdad.» La forma jurídica es más rara que el lenguaje jurídico. En una revisión de alcance de 160 documentos, el 2,5% de los instrumentos tenía fuerza legal mientras que el 57,5% eran orientaciones o kits de herramientas. Casi una cuarta parte de un centenar de documentos de gobernanza de la IA es orientación no vinculante.
- «La cautela institucional refleja evidencia.» La cautela se atribuye a la presión de tiempo más que a la evidencia: la encuesta de la ABA de 2024 recibió respuestas de solo alrededor del 15% de las facultades acreditadas, así que el consenso cauteloso se apoya en una muestra no representativa.
- «La cobertura de política puede mapearse a partir de una encuesta representativa.» Se recogieron políticas y orientaciones sobre IA de los 48 programas acreditados por CAHIIM de un dominio: un censo completo de un nicho, que informa más sobre ese nicho que sobre la política en general.
Conceptos conectados
- Alianzas pedagógicas — Colaboraciones pedagógicas
- Regulación de la IA en educación
- Gobernanza de la IA
- Desarrollo educativo
- Equidad
- Educación superior
- K-12
- Integridad académica
- Ética
- Competencia en IA del profesorado
- Enmarcar el uso de la IA para el estudiantado
- Evaluación sumativa
- Educación química — Educación química e IA: laboratorios, evaluación formativa, límites de los LLM, filosofía de la experimentación
- Educación en biología — Educación en biología e IA: asistentes de laboratorio docentes, alfabetización en IA en biología, pensamiento crítico, herramientas especializadas
- Partes interesadas — Paraguas: personas y públicos de la educación con IA (estudiantes, docentes, diseñadores, administradores, responsables de políticas)
- Apoyo y éxito estudiantil — el contexto de política para el despliegue del apoyo institucional
Artículos conectados
-
Human-centered AI Literacy in Schools: Evidence-based Multi-stakeholder Recommendations for Primary & Secondary (K-12) Education — La revisión de iRAISE en cuatro países: 84 de 194 Estados llevan la alfabetización mediática e informacional más allá de las habilidades técnicas en los currículos, y los factores humanos decidieron los resultados en los cuatro sistemas (Cerioli, 2026)
-
Toward Partnership Ethics for Generative Artificial Intelligence in Higher Education — Estudio sueco de encuesta y grupos focales que sostiene que la ética de la colaboración, y no el marco de la trampa, debería guiar las decisiones institucionales sobre IA generativa
-
Generative AI Governance in Education: A Scoping Review of Principles, Mechanisms, and Risks in English-Language Documents — La gobernanza de la IA generativa en la educación: una revisión de alcance de principios, mecanismos y riesgos (Elmahjub et al. 2026)
-
Artificial learning: how sessional academics view contract cheating and digital academic misconduct in assessment — Reglas de nivel de asignatura que el estudiantado no puede conciliar
-
An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — Una encuesta representativa a nivel nacional de docentes y directores de EE. UU. sobre la cobertura de las políticas de IA, la agencia y cinco estrategias de aula (Tench, Weinstein y James, 2026)
-
When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — Cuando las universidades promueven la IAG pero la práctica se queda corta: valoraciones del estudiantado e implicación en el proceso creativo en la educación artística
-
Writing the rules for generative machines: Tensions and entanglements in preservice teachers' classroom AI policies — Políticas de aula sobre IA de futuros docentes de inglés: qué permitieron, limitaron y prohibieron (Nash y Burriss, 2026)
-
A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Un marco con humano en el bucle para la puntuación asistida por IA en la evaluación de escritura a gran escala
-
Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Derivar los usos permitidos y no permitidos de la IAG tarea a tarea a partir de lo que se evalúa (McCorkle, 2025)
-
How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Cómo regula el profesorado la IA en 31.000 programas de asignatura (Chirikov, 2026)
-
Artificial Intelligence and Grade Inflation — El desplazamiento de tareas por la IA como mecanismo de inflación de calificaciones (Chirikov, 2026)
-
Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi global sobre la gobernanza de la IA generativa en la educación superior
-
Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Orientación antes que política: reglas de programa fijadas por el profesorado y un ecosistema de apoyo de cuatro unidades en 50 universidades innovadoras de EE. UU. (Qian, 2026)
-
Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Comparación de cinco factores de las políticas de IAG de facultades de derecho en un sector que hace política sin base de evidencia (Gutowski y Hurley, 2025)
-
Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Transcribir no es generar: reglas de IA demasiado amplias, conversión de formato y ajuste por discapacidad (Wright, 2026)
-
Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Gobernanza anticipatoria para la IA en la educación superior (revisión de alcance)
-
Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Documentos de política de IA en los 48 programas acreditados de máster en informática de la salud: mayoritariamente orientaciones, centrados en la integridad académica (Eldredge et al., 2026)
-
What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Custodia cognitiva para la evaluación mediada por IA (auditoría de políticas de 30 universidades)
-
Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
-
'A bit of chaos and madness': The AI Assessment Scale and the work of assessment reform
-
Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
-
The Policy Deficit in AI × Social-Emotional Learning Research — El déficit de política en la investigación sobre IA × aprendizaje socioemocional
-
Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Valores y normas éticas para la IA en educación
-
Zero-shot governance — Gobernanza de disparo único: la IA de propósito general en la política (Perrotta, 2026)
-
How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Acotar la afirmación de aprendizaje del piloto de tutoría con IA de El Salvador (Restrepo Morales et al., 2026)
-
The AI challenge: How college faculty assess the present and future of higher education in the age of AI — 1.057 docentes de EE. UU.: el 87% redacta sus propias reglas de tarea frente a unas directrices institucionales y departamentales escasas (Watson y Rainie, 2026)
-
GenAI assessment and language equity: Drawing the line between support and substitution — Una frontera entre apoyo y sustitución basada en la finalidad, con declaración calibrada y rúbricas de decisión (Li, 2026)
-
Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Inyección de prompts en la calificación mediada por IA: notas cambiadas sin ser detectadas y la respuesta a nivel de política (Humble, 2026)
-
Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 indicadores de gobernanza para autenticar la evaluación, y la presión externa que necesita la reforma (Coates, Croucher y Calderon, 2025)
-
Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Nivel de política frente a diseño de tarea: para qué usó el estudiantado la IA generativa en tres evaluaciones de física (Quince y Faulconer 2026)
-
Generative AI use and the 2022–2025 decline in PISA performance across countries — Un mayor uso a nivel de país de IA generativa acompañó a declives mayores en PISA 2022-2025, una correlación que se desvaneció al controlar el rendimiento previo (Guerra y Aslanov 2026)
-
Experimental futuring: AI prototyping and pilot testing as anticipatory governance in education — El EdTech Impact Testbed de Inglaterra como gobernanza anticipatoria: pilotos que producen evidencia promisoria (Williamson et al., 2026)
-
Cheating or being cheated? Academic integrity and a changing cheating habitus in international AI governance discourse — Los textos de la UNESCO y la OCDE comparten un vocabulario de gobernanza y ninguna definición operativa; veintitrés jurisdicciones convergen sin ella
-
Higher education governance under AI and geopolitical disruption: a socio-technical framework for administrative artificial intelligence — La contratación fija el entorno de datos antes que la pedagogía
-
Mind the AI policy gap: a policy analysis across global funding bodies — 56 documentos de 46 financiadores: una capa de política de financiación de la investigación con 12 instrumentos específicos de financiación (Chan 2026)
Preguntas frecuentes relacionadas
Recursos relacionados
- Campus AI FrameworkUn modelo operativo nativo de la educación superior para la estrategia y la gobernanza de la IA: ocho pilares institucionales, cuatro dominios de aplicación y una Strategic Compass para elegir iniciativas, con un diagrama que cartografía sus sitios complementarios.
- The Institutional AI Readiness PackUn conjunto de instrumentos de evaluación e implementación de la preparación institucional para la IA: autoevaluación de madurez, encuestas a personal investigador y a supervisores, análisis de brechas, sesiones informativas por rol y una política modelo.
- Desarrollo de IA en el campusUna guía de campo gratuita para colegios y universidades sobre cómo elegir la forma en que se construye el software con IA, del vibe coding al trabajo multiagente gobernado, con la ruta de revisión, el techo de datos y los controles que corresponden a cada una.
- IA + REA: estudios de caso. Un proyecto DOERSUna antología abierta de once estudios de caso sobre el punto en que la IA generativa se encuentra con los recursos educativos abiertos en la educación superior, en tres partes con cuatro prioridades de política, que abarca orientación a escala de sistema, desarrollo profesional, revisión de libros de texto y práctica en el aula.