Gobernanza de la IA

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

Gobernanza de la IA: los marcos, políticas, estructuras institucionales y normas que guían el diseño, el despliegue y el uso responsables de la inteligencia artificial en la educación. La gobernanza abarca mecanismos institucionales formales (grupos rectores de IA, políticas sobre integridad académica y uso aceptable, revisión ética) y normas informales (directrices del profesorado, desarrollo profesional, culturas de uso responsable de la IA). En la era de la IA, una gobernanza eficaz es un requisito previo para una adopción ética, equitativa y sostenible de la IA generativa: determina si la IA se integra de forma transparente y con rendición de cuentas, o si se adopta de manera reactiva y de formas que profundizan las inequidades.

Preguntas para considerar

• Si su institución tiene una política de IA en el papel pero ningún proceso claro para aplicarla, actualizarla o comunicarla, ¿es eso realmente gobernanza? ¿Qué separa una norma que existe de una norma que está efectivamente gobernada?
• Los estudiantes de un estudio dijeron que su universidad no tenía una política de IA clara y que eso moldeó cómo usaban la IA. ¿Cómo puede la ambigüedad de la política influir en lo que los estudiantes deciden que es un "uso aceptable", y deberían las instituciones preocuparse por dejar esa negociación a los individuos?
• La página distingue la gobernanza basada en la detección (vigilar el uso de la IA) de la gobernanza basada en el diseño (rediseñar la evaluación para que el uso de la IA sea esperado y declarado). ¿Hacia cuál se inclina su propia práctica de evaluación, y cuáles son las contrapartidas de cada una?
• Se describe la gobernanza como algo que opera en los niveles nacional, institucional y de aula. Piense en una norma sobre IA de su contexto: ¿quién la fijó, cómo se comunica y se aplica, y qué tan bien se alinean esos niveles?
• Un marco replantea la gobernanza de la IA como un problema de acción colectiva para sostener una pericia compartida: los "bienes comunes cognitivos". ¿En qué cambia su manera de entender la gobernanza de la IA el hecho de proteger el acervo de conocimiento colectivo de una profesión, frente a limitarse a regular una herramienta?
• La página advierte que las declaraciones obligatorias de uso de IA fracasan cuando se sienten punitivas o ambiguas. ¿Cuándo ha visto que una norma de cumplimiento se vuelva en contra porque la gente no la entendía o no confiaba en ella, y qué le enseñó eso sobre la gobernanza?

Introducción

La gobernanza de la IA en la educación es cada vez más urgente porque la IA generativa introduce nuevos desafíos epistémicos, éticos y organizativos: desestabiliza los supuestos sobre la producción de conocimiento, la agencia del estudiante, la validez de la evaluación y el papel de los educadores como autoridades epistémicas. La gobernanza aborda cuestiones de integridad académica (qué cuenta como uso aceptable de la IA), privacidad de los datos y seguridad, sesgo algorítmico y justicia, transparencia y rendición de cuentas, y la alineación de la adopción de la IA con la misión y los valores institucionales. Un hallazgo recurrente en la investigación que recoge esta base de conocimiento es que la gobernanza institucional suele ir por detrás: muchas instituciones carecen de políticas de IA claras y unificadas, y dejan a estudiantes y docentes negociar por su cuenta el uso aceptable.

• La gobernanza zero-shot como condición estructural de la plataformización. Perrotta (2026) desarrolla el concepto de gobernanza zero-shot, es decir, la IA generativa agnóstica de dominio que interviene en las decisiones de política, mediante un análisis a nivel de código de Redbox, un prototipo descontinuado del servicio civil británico construido sobre LLM comerciales. Al leer su arquitectura (una indicación de sistema invisible, un envoltorio delgado de Python sobre una canalización de RAG (Generación Aumentada por Recuperación) de recuperar, formatear y generar, y una pila en la nube independiente del proveedor), el artículo sostiene que la naturaleza de propósito general de los modelos fundacionales es un rasgo estructural de la plataformización que puede mitigarse pero nunca descartarse: la IA agéntica no interrumpe la lógica monopolística y rentista de las plataformas, y el mismo mecanismo probabilístico que genera novedad también produce alucinaciones. Para la gobernanza, la implicación es que la supervisión de la IA de propósito general debe tratar la salida aberrante como un riesgo irreductible y solo mitigable, y no como un error reparable, una cautela que se aplica igualmente al razonamiento sobre política educativa.

• Baroudi: una revisión de alcance enmarca la gobernanza de la IA en la educación superior con las lentes de la gobernanza anticipatoria y el liderazgo.

• Gobernanza anticipatoria mediante prototipos y pilotos. Williamson et al., 2026 leen al DfE de Inglaterra como un gobierno a través del diseño: los prototipos de IA y los pilotos escolares prefiguran un futuro elegido, tratan las aulas como bancos de pruebas y producen evidencia "promisoria" justo a tiempo para escalar, en lugar de un "qué funciona" ya asentado.

• Codiseño estudiantil de la política: Hingle y Johri muestran cómo una actividad de indagación guiada en la que los estudiantes codiseñaron una política de curso sobre IA generativa sacó a la luz valores del estudiantado: priorizar la formación, procedimientos estandarizados de declaración, un apoyo institucional más fuerte y una mayor participación en la toma de decisiones. Esto sitúa a los estudiantes como socios de la gobernanza en lugar de sujetos pasivos, y complementa la política institucional con la voz estudiantil desde abajo.

• La trampa tecnosolucionista y el déficit de política: una revisión sistemática de 65 estudios sobre IA y aprendizaje socioemocional (Tran, Liu y Nguyen 2026) encuentra que la investigación a menudo pone en primer plano el potencial técnico mientras especifica poco las condiciones institucionales para una implementación responsable, lo que constituye una trampa "tecnosolucionista". Los autores vinculan la implicación con la política y con el medio de publicación, y proponen un marco de "preguntas WH" para hacer las implicaciones de gobernanza específicas por actor, lo que se hace eco del hallazgo más amplio de la base de conocimiento de que la gobernanza institucional va por detrás de la adopción de la IA.

Gillette et al. (2026) muestran un desajuste de gobernanza más que un vacío de gobernanza: los estudiantes querían que la universidad "hiciera más", pero la institución sostiene que las decisiones corresponden al nivel de departamento, programa y curso, de modo que la demanda y el mandato apuntan a órganos distintos mientras el silencio llena la brecha.

Cómo aparece la gobernanza de la IA en la investigación

• Adopción institucional a escala: el estudio AIDA en la Open University muestra cómo una institución diseñó, implementó y evaluó un asistente de IA generativa, e identifica que un despliegue responsable a nivel de sistema requiere estructuras de gobernanza (un grupo rector de IA), el patrocinio de la alta dirección y la alineación con la estrategia institucional, no solo capacidad técnica.

• Liderazgo y cambio sistémico: SPARK enmarca la gobernanza en la teoría del liderazgo de la complejidad y sostiene que los líderes deben equilibrar la estabilidad administrativa con la innovación emergente, incorporando mecanismos de gobernanza (políticas, regímenes de evaluación, marcos de rendición de cuentas) para que las innovaciones del espacio adaptativo puedan sostenerse y escalarse.

• Ambigüedad de la política y experiencia estudiantil: la implicación del estudiantado con la IA generativa encontró que 12 de 23 estudiantes señalaron la falta de políticas institucionales explícitas sobre IA ("la universidad todavía no tiene una política clara y unificada"), y sostiene que la ambigüedad de la gobernanza moldea las prácticas, las normas y la autorregulación de los estudiantes, lo que respalda un giro hacia una orientación institucional transparente.

• La alfabetización en IA como capacidad de gobernanza ("el ODS 18"): Islam, Morshed e Islam (2026) reconceptualizan la alfabetización en IA como un mecanismo sistémico de gobernanza y no como una habilidad de aula, y proponen una taxonomía AIRE de seis niveles (reconocer, comprender, aplicar, analizar, integrar, gobernar) que extiende la jerarquía de Bloom con síntesis ética y previsión estratégica, además de un nexo IA-ODS que mapea las competencias de alfabetización sobre los diecisiete Objetivos de Desarrollo Sostenible. Al enmarcar la alfabetización en IA como una heurística del "ODS 18", una capacidad transversal que canaliza el aprendizaje hacia la gobernanza y el desarrollo sostenible, la encuesta del estudio a 300 profesionales encontró que la alfabetización en gobernanza era el predictor más fuerte de la conciencia del nexo IA-ODS (β = 0,64, r = 0,67 con la conciencia del nexo) e identificó el razonamiento ético y el pensamiento reflexivo como los predictores más fuertes de un uso confiable de la IA. Esto vincula la gobernanza institucional con el cultivo de la alfabetización en IA pública, y se hace eco del hallazgo de la base de conocimiento de que una alineación responsable de la IA requiere responsables de políticas y ciudadanos capaces de interpretar críticamente los sistemas algorítmicos, y no solo un control técnico orientado al cumplimiento.

• La mayor parte de la gobernanza educativa es orientación, no ley. En 160 documentos en inglés, solo 4 adoptaron forma legal o regulatoria formal mientras 92 eran orientaciones, marcos o kits de herramientas, y la rendición de cuentas apareció en 146 documentos pero emparejada con un actor de supervisión nombrado en 100 (Elmahjub et al. (2026)).

• La IA administrativa convierte la gobernanza en una cuestión de operaciones de servicio y no de aula. Pandey y Davies (2026) delimitan la IA administrativa al reclutamiento, la admisión, la matrícula, los registros, la orientación académica, el alojamiento, el bienestar y la carrera profesional, y excluyen por definición la enseñanza, el aprendizaje y la investigación. Su marco sociotécnico ofrece tres proposiciones contrastables: la optimización conjunta de la tecnología con los roles y la rendición de cuentas, la política de los artefactos y la infraestructura moldeada globalmente. Cinco impulsores explican la adopción: la preparación infraestructural y los ecosistemas de plataformas comerciales la habilitan y la orientan, mientras que el posicionamiento competitivo ante la volatilidad de la matrícula, los mandatos regulatorios y de movilidad, y la legitimidad de sostenibilidad la motivan. Se derivan cuatro capacidades de liderazgo: alfabetización contractual, interrogar el objetivo, contención bajo presión y participación permanente. Se trata de un análisis conceptual y una revisión interpretativa, así que las proposiciones se ofrecen para su contrastación y no como establecidas.

• Integridad académica y evaluación: la gobernanza es central en cómo las instituciones abordan las preocupaciones de integridad académica relacionadas con la IA y rediseñan la evaluación, pasando de la prohibición y la vigilancia hacia la orientación, la alfabetización en IA y los diseños orientados al proceso, como se ve en la investigación sobre racionalización estudiantil y rediseño de la evaluación auténtica.

• El rediseño opera en tres dimensiones a la vez. Laidlaw (2026) enmarca el rediseño de la evaluación en la era de la IA a través de dimensiones cultural-discursivas (lenguaje y supuestos), material-económicas (recursos) y sociopolíticas (gobernanza y poder), y nombra la intersección entre recursos y poder como el mayor punto de apalancamiento y a la vez el mayor riesgo: los recursos que fluyen por estructuras de poder existentes amplifican las inequidades.

• La combinación de instrumentos de la gobernanza escrita: Eldredge et al. (2026) auditaron los documentos relacionados con IA de los 48 programas de máster en informática de la salud y gestión de la información sanitaria acreditados por CAHIIM en Estados Unidos. Cuarenta de los 48 (83%) tenían al menos un documento disponible públicamente, y en los 40 documentos analizados la gobernanza se materializaba sobre todo como orientación y no como norma vinculante: 21 directrices (53%), 9 documentos informativos (23%) y solo 7 políticas formales (18%). La mayoría de los documentos se dirigían conjuntamente a profesorado y estudiantado (20, 51%) y no solo al estudiantado (6, 15%), y ni el tipo de política ni el público variaban con la modalidad de impartición (P exacta de Fisher = 0,85 y P = 0,71), lo que sugiere que la combinación de instrumentos sigue el hábito institucional y no las exigencias de los programas en línea, presenciales o híbridos. El contenido se agrupaba en integridad académica, uso responsable de la IA y conducta estudiantil, con poca orientación sobre el uso de la IA en el aprendizaje aplicado, la investigación y los entornos simulados, que es precisamente donde se cruzan las preocupaciones curriculares y de gobernanza de datos. Los autores también informan de que los acreditadores regionales aportaron la mayor parte del corpus (Higher Learning Commission n = 14 y SACSCOC n = 13, juntos cerca del 60%, sin ninguno de la región WASC) y sostienen que la acreditación es la palanca externa mejor situada para reducir la variación entre programas.

• La gobernanza como ecosistema de apoyo distribuido: Qian (2026) codificó la orientación sobre IA de las 50 universidades estadounidenses clasificadas como más innovadoras y encontró que la gobernanza se materializa menos como norma que como interpretación y apoyo: solo 6 de 50 enmarcaban su página principal como una "política", 33 de 50 situaban a los docentes como los principales traductores de las expectativas institucionales a normas de curso, y el apoyo para hacerlo se agrupaba en cuatro unidades interconectadas: los centros de enseñanza y aprendizaje, que aportan lenguaje para el programa y menús de políticas de curso; las bibliotecas, que fijan estándares de citación y procedencia; las oficinas de TI y de gobernanza corporativa, que operan reglas de clasificación de datos y pilas de herramientas validadas; y las oficinas de integridad académica, que asumen el debido proceso y la remediación con prioridad educativa. Qian sostiene que lo que reduce la ambigüedad es el andamiaje y no la postura, e informa de que está distribuido de forma desigual: 33 de 50 instituciones publicaban materiales sobre el programa o la política de curso mientras solo 4 ponían en primer plano orientación dirigida al estudiante. Este es el hallazgo sobre la combinación de instrumentos en forma organizativa: capacidad de gobernanza ubicada en unidades y no en documentos.

• Ética, privacidad y sesgo: los mecanismos de gobernanza operacionalizan los principios éticos (Ética, Privacidad, Mitigación de sesgos) que a menudo se reconocen pero no se aplican, en conexión con los debates sobre IA responsable y regulación en la educación.

• Una matriz de valores y normas para la gobernanza. Agarwal et al. (2026), una revisión sistemática de 25 artículos, consolidan la ética de la IA en educación en seis valores éticos principales (no discriminación, custodia de datos, supervisión humana, buena voluntad, explicabilidad y aptitud educativa) y mapean las normas éticas extraídas de la literatura sobre una matriz de actores por valores. El mapeo convierte las normas en reglas accionables para realizar valores específicos y ofrece una base para construir marcos éticos detallados y regulación para la IA en educación, al dar a las instituciones educativas, a los desarrolladores y a los reguladores normas concretas que implementar. Las normas sobre supervisión humana se agrupan en las instituciones educativas y los usuarios finales, la aptitud educativa en las instituciones educativas y los reguladores, y las normas de buena voluntad dirigidas a los reguladores son mucho más numerosas (nueve) que las de cualquier otro conjunto, lo que señala el papel de los reguladores para asegurar que la IA educativa beneficie a los estudiantes mediante políticas y legislación.

Educación en gobernanza

La gobernanza de la IA opera en dos niveles que la base de conocimiento trata juntos: las reglas institucionales que rigen el uso de la IA (políticas, marcos de uso aceptable, requisitos de evaluación y declaración) y la educación sobre esas reglas (preparar a las personas para navegarlas). Una gobernanza sin educación corre el riesgo de no aplicarse o de ser opaca; una educación sin gobernanza carece de fuerza. La investigación de esta línea incluye el análisis de políticas institucionales de IA generativa, los marcos de declaración de uso de IA, la gobernanza de la evaluación, la política de IA en la educación superior del Reino Unido y revisiones exhaustivas de la IA en educación que sitúan la gobernanza en el panorama de política más amplio.

Gobernanza de la evaluación

Un ámbito central de la gobernanza de la IA es cómo gobiernan las instituciones la evaluación: las reglas que determinan qué cuenta como uso aceptable de la IA, cómo se declara el trabajo asistido por IA y cómo se salvaguardan las medidas sumativas. Esto incluye el diseño y la aplicación de declaraciones de uso y divulgación de IA: la investigación muestra que las declaraciones obligatorias fracasan cuando se sienten punitivas o ambiguas (Gonsalves 2025, Vetter et al. 2026), y que una política clara, coherente y basada en la confianza es lo que realmente fomenta la divulgación. La investigación de la base de conocimiento distingue entre gobernanza basada en la detección (vigilar el uso de la IA, por ejemplo mediante Detección de IA) y gobernanza basada en el diseño (rediseñar la evaluación sumativa y la evaluación auténtica para que el uso de la IA sea esperado, declarado y escrutado). La gobernanza de la IA generativa en la evaluación centrada en la evidencia y Beyond Detection sostienen que la gobernanza debe emparejar cualquier detección con un rediseño de la evaluación, mientras que la elección de formatos sumativos resistentes a la IA (exámenes orales, medidas vigiladas o a libro cerrado, entrevistas de revisión de código; véase Evaluación sumativa) es en sí misma una decisión de gobernanza. La evidencia a gran escala (Strömberg, Lei y Wu 2026) subraya la importancia de gobernar las medidas sumativas, ya que los deberes no gobernados pueden inflarse con IA mientras el aprendizaje real decae. El alcance de una prohibición es en sí mismo una decisión de gobernanza: Wright (2026) muestra que las normas que prohíben la "IA generativa" sin distinguir la generación de la conversión de formato capturan las herramientas de transcripción asistiva y convierten la mala aplicación de la política en acusaciones de mala conducta, lo que sobrecarga a los estudiantes con discapacidad y a los expuestos por equidad, un fallo de gobernanza que las cuestiones y riesgos legales tratan tanto como una cuestión de igualdad como de integridad.

La evidencia que Zagami (2026) reúne en ámbitos de alto riesgo apunta a una gobernanza desigual más que a una negativa simple: adopción parcial y política incompleta en los procesos de evaluación, admisión y disciplina, con la demora institucional operando como una postura de gobernanza y no como un fallo. La tarea institucional es interpretar la negativa lo bastante bien como para mejorar la gobernanza, preguntando qué decisiones requieren revisión humana, qué sistemas requieren auditoría, qué usos requieren declaración y qué decisiones de compra requieren justificación pública. Weidlich (2026) añade el corolario específico de la evaluación: las puntuaciones de los detectores son señales probabilísticas condicionales que no pueden establecer por sí solas una mala conducta, de modo que una gobernanza centrada en la detección es una base insuficiente para defender afirmaciones evaluativas.

La IA agéntica desplaza de nuevo la pregunta de gobierno: Wong y Sun (2026) comparan la orientación de 12 universidades y sitúan el trabajo nuevo en qué responsabilidades puede delegar un estudiante y si un agente puede actuar con sus credenciales, una cuestión de acceso que una norma sobre uso y no uso no puede expresar.

Gobernanza entre niveles

La gobernanza de la IA opera en múltiples niveles, desde el nacional y regulatorio (política gubernamental, el marco de la OCDE, directrices estatales sobre IA) hasta el institucional (políticas universitarias, grupos rectores de IA, comités de revisión ética) y el de aula (directrices del docente, declaraciones del programa, diseño de tareas). Una gobernanza eficaz alinea estos niveles: los marcos nacionales fijan expectativas, las instituciones los traducen en políticas y estructuras de apoyo, y los educadores los implementan de modo que desarrollen la alfabetización en IA y la agencia de los estudiantes. La investigación de la base de conocimiento subraya que la gobernanza no trata solo de restricción, sino de crear las condiciones para una integración de la IA responsable, equitativa y favorable al aprendizaje, incluidos el desarrollo del profesorado, la orientación transparente y la evaluación continua. Conducta idéntica, veredictos distintos. Poudyal (2026) aplicó 15 viñetas estandarizadas de uso estudiantil a los entornos de política pública de 20 universidades australianas y produjo 300 clasificaciones: el 40,0% claramente prohibido, el 32,3% posibles infracciones de la política, el 9,0% permitido con condiciones y el 18,7% indeterminado, sin que ninguna alcanzara el umbral de claramente permitido. Los instrumentos vinculantes guardaban silencio sobre la IA generativa en 100 combinaciones mientras la orientación resolvía 88, y la reescritura de lenguaje divulgada y un párrafo redactado con IA produjeron la mayor divergencia entre universidades, frente a la unanimidad de una prohibición explícita en la evaluación. Donde los niveles descritos arriba se suponen alineados, este estudio mide cuánto divergen, y sitúa el límite operativo en la orientación y no en la política vinculante.

Gobernanza del profesorado y el argumento a favor de la revisión deliberada. Donde los niveles anteriores se alinean mediante política, algunos sectores los alcanzan mediante gobernanza compartida. Gutowski y Hurley (2025) describen las escuelas de derecho como un caso difícil precisamente por esto: los claustros de derecho estadounidenses tienen una autoridad individual inusual sobre los estándares de los cursos, así que la política tiene que construirse con ellos y no anunciarse a ellos, y la mayoría de las escuelas que redactaron normas prohibitivas también reservaron discrecionalidad a los docentes individuales y se comprometieron a revisar a medida que la tecnología avanzara. Sus recomendaciones (flexibilidad por diseño, revisión periódica, formación proactiva y autorregulación mediante intercambio de información en lugar de esperar a que un acreditador dicte la política) describen la gobernanza como un proceso continuo y no como un documento, el mismo punto que plantea el consenso Delphi al recomendar ciclos de revisión programados y un comité multidisciplinario permanente.

A escala institucional, el marco AIGEM (Tan et al. 2026) sitúa la IA responsable como una capacidad organizativa estratégica para la gestión educativa, integrando liderazgo estratégico en IA, gobernanza responsable, inteligencia para la decisión, inteligencia colaborativa humano-IA, desarrollo de competencias y creación de valor sostenible, y vincula la implementación responsable con los ODS. Subraya que la gobernanza no es solo una capa de cumplimiento sobre la enseñanza, sino una función ejecutiva de las instituciones educativas.

La ética del cuidado pone la responsabilidad en la institución que adoptó la herramienta. Jones (2026) ubica la responsabilidad en la institución que eligió el sistema, no en el proveedor ni en el docente que advirtió el patrón, y pregunta si las mismas reglas obligan a los administradores que las escriben tanto como a los estudiantes que viven bajo ellas.

La mayoría de las instituciones no puede nombrar quién es responsable de la IA. Entre 387 estudiantes y personal de instituciones de 13 países, solo el 17% conocía una responsabilidad designada de gestión de la IA, mientras que el 71% del resto deseaba una y esperaba que combinara formación, supervisión ética, seguridad de datos y estrategia (Kaže et al. (2026)).

Una vía propuesta de la claridad a la conducta. Li y Su (2026) modelan cómo la claridad institucional podría llegar al aula. La claridad de gobernanza, entendida como claridad de reglas más claridad de roles, se propone como antecedente contextual; la rendición de cuentas percibida, como el estado por el que opera; y la incertidumbre decisional, como la condición sobre la que actúa, reducible en su forma procedimental pero no en la incertidumbre genuina del caso. La alfabetización en IA se propone como moderadora, y los autores ofrecen cinco proposiciones contrastables y una expectativa configuracional. Es un artículo de hipótesis y teoría que no recoge datos, y sus autores describen las vías como proposiciones y no como efectos establecidos empíricamente.

Conexiones con conceptos relacionados

La gobernanza de la IA se conecta con la ética (los principios que operacionaliza), la educación superior (el contexto institucional), la privacidad y la mitigación de sesgos (preocupaciones específicas de gobernanza) y la integridad académica (un ámbito primario de gobernanza). Es central para el cambio institucional y la IA responsable, y se cruza con la alfabetización en IA (la gobernanza apoya el desarrollo de un uso crítico e informado). También se conecta con la analítica del aprendizaje (gobernanza de datos) y con la experiencia estudiantil (la gobernanza moldea cómo navegan los estudiantes el uso aceptable).

Gobernar los bienes comunes cognitivos. El marco de los bienes comunes cognitivos (Lovett 2026) plantea la regeneración de la pericia como un problema de acción colectiva a nivel de profesión que requiere una gobernanza al estilo de Ostrom (definición de límites, monitoreo, sanciones graduadas, elección colectiva). La gobernanza de la IA no trata solo de regular herramientas, sino de sostener el acervo de pericia compartida que las profesiones necesitan, en los niveles organizativo, de asociación profesional y de política.

Relación con la política educativa

La gobernanza es distinta de la política educativa sobre IA, pero inseparable de ella. La política es el contenido: las reglas y declaraciones formales (qué uso de la IA se permite, qué debe declararse, qué evaluación es admisible). La gobernanza es la maquinaria que produce, implementa, aplica y revisa esas reglas: quién las fija, cómo se dotan de recursos y se comunican, cómo se gestionan el cumplimiento y las apelaciones y cómo se adaptan a medida que la IA evoluciona. Donde la página de política cataloga las reglas mismas y sus brechas de madurez, esta página se centra en las estructuras y prácticas que hacen reales las reglas: grupos rectores, revisión ética, gobernanza de la evaluación y rendición de cuentas entre niveles. Una norma en el papel es política; una norma con dueño, monitoreada y aplicada es gobernanza. Ambas son mutuamente dependientes: la política sin gobernanza no se aplica, y la gobernanza sin política carece de dirección.

El lenguaje de la rendición de cuentas puede dejar sin nombre al actor responsable. Poudyal (2026) extrajo 166 expresiones de obligación o responsabilidad de 366 resúmenes sobre IA generativa en educación superior y encontró que ninguna asignaba responsabilidad a un sistema mientras 33 dejaban al titular sin especificar; "se necesita gobernanza" no nombra a nadie que convoque, decida o aplique. Las instituciones y los actores de política cargaban con 37 obligaciones, las metonimias institución/educador con 30, los educadores con 20, los investigadores con 18 y los estudiantes solo con seis.

Svetec, Divjak y Kadoić (2026) identifican la ética y la gobernanza de datos como uno de los siete facilitadores de las intervenciones educativas basadas en analítica del aprendizaje dignas de confianza (políticas para el uso ético de la analítica y la IA, privacidad de datos, seguridad y rendición de cuentas) y sitúan la confiabilidad (incluidos el liderazgo y la gobernanza que apoyan la implementación) como requisito previo de intervenciones significativas basadas en datos.

• La gobernanza puede diseñarse dentro de la herramienta. Un perfil de gobernanza de seis dimensiones (fundamento pedagógico, autoridad instruccional, responsabilidad y control humanos, agencia del estudiante y compromiso cognitivo, especificidad de contexto y visibilidad de la evaluación) ubica la gobernanza en el modelo de interacción de una herramienta docente, en sus indicaciones, rúbricas, puertas de aprobación y paneles, y pregunta si los mecanismos encajan con la función instruccional, en lugar de cuán estricta o permisiva es una herramienta (Dickey, 2026).
• Un marco centrado en las personas pone la interpretación, y no la herramienta, en el centro. En un college de artes liberales orientado a una misión, el profesorado usó un Asistente de Evaluación apoyado en IA generativa durante un Día de la Educación estructurado, y los autores concluyen que el juicio humano debe seguir siendo la autoridad interpretativa no negociable, con puntos de verificación y gobernanza establecidos antes de una implementación amplia (Ravesloot, Copeland y Pryor, 2026). La secuencia es primero la formación y la verificación, después el escalado.

Las disposiciones de gobernanza aparecieron solo en documentos de política general y nunca en los instrumentos específicos de financiación que vinculan a quien solicita, de modo que un financiador puede gobernar la IA en principio sin imponer nada a la investigación que financia (Chan, 2026).

Un argumento de 2026 extiende la gobernanza más allá del uso por parte del estudiantado hasta la producción del material didáctico mismo. Chew (2026) separa el contenido representacional (imágenes, diagramas), el contenido de razonamiento (casos, pacientes simulados) y el contenido de evaluación (ítems, rúbricas, retroalimentación). Cada tipo tiene un fallo característico y un verificador distinto: una norma de referencia, una persona experta que pueda llegar a la conclusión sin ayuda, o evidencia de lo que mide un instrumento. Como un error plausible en el contenido curricular llega a todo el estudiantado y puede no aflorar nunca como señal, sitúa la rendición de cuentas en la institución y especifica cuatro capacidades: saber qué está en uso, probarlo antes de usarlo, actuar sobre los hallazgos incluida la retirada, y vigilar las herramientas aprobadas en busca de deriva (Chew, 2026).

Concepciones erróneas comunes

• "Las universidades han adoptado políticas de IA vinculantes." De 48 instituciones, 40 (83%) tenían al menos un documento disponible públicamente, y en esas 40 la gobernanza se materializaba sobre todo como orientación y no como norma vinculante. Una orientación publicada no es una política aplicable.
• "La política se escribe pensando primero en el estudiante porque el estudiante es el riesgo." La mayoría de los documentos se dirigían conjuntamente a profesorado y estudiantado (20, 51%) y no solo al estudiantado (6, 15%), y ni el tipo de política ni el público variaban con la modalidad de impartición. El enfoque es conjunto, lo que significa que las obligaciones son compartidas.
• "Una política ambigua deja intacta la experiencia estudiantil." La ambigüedad de la política se manifiesta directamente en la experiencia estudiantil: la implicación del estudiantado con la IA generativa está moldeada por la incertidumbre, así que la ambigüedad es una condición activa y no una brecha neutra.

Conceptos conectados

• Alianzas pedagógicas — alianzas pedagógicas
• Declaraciones de uso y divulgación de la IA — declaraciones de uso y divulgación de IA
• Supervisión remota de exámenes
• Ética
• Educación superior
• Privacidad
• Mitigación de sesgos
• Integridad académica
• Alfabetización en IA
• Analítica del aprendizaje
• Experiencia del estudiantado
• Política educativa sobre IA
• Regulación de la IA en educación
• Evaluación sumativa
• Mal uso de la IA y daño al aprendizaje
• Calibración de la confianza
• IA generativa
• Partes interesadas — paraguas de las personas y audiencias de la educación con IA (estudiantes, docentes, diseñadores, administradores, responsables de políticas)
• Apoyo y éxito estudiantil — supervisión de los sistemas institucionales de apoyo con IA

Artículos conectados

• When the Teaching Material Is the Risk: The Governance Gap for AI-Generated Content in Medical Education — gobernanza del contenido didáctico producido por IA, con tres tipos de fallo y cuatro capacidades institucionales (Chew, 2026)
• AI Adoption at Higher Education Institutions: A Call for Designated AI Management — La adopción de la IA en la educación superior: el caso de una gestión designada de la IA (Kaže et al. 2026)
• Care Ethics for AI Governance in Higher Education: Applying the Jones AI Ethics Framework — ética del cuidado para la gobernanza institucional de la IA, sus cinco componentes y las preguntas institucionales en que se convierten
• Generative AI Governance in Education: A Scoping Review of Principles, Mechanisms, and Risks in English-Language Documents — gobernanza de la IA generativa en la educación, una revisión de alcance de principios, mecanismos y riesgos (Elmahjub et al. 2026)
• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — la alfabetización en IA como capacidad de gobernanza para el desarrollo sostenible, la taxonomía AIRE y el nexo IA-ODS (Islam, Morshed e Islam 2026)
• Artificial Intelligence in Educational Management: Opportunities, Challenges, and Future Directions — marco AIGEM para la gobernanza de la IA en la gestión educativa
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — documentos de política y orientación sobre IA en 48 programas de informática de la salud acreditados por CAHIIM: gobernanza como orientación no vinculante centrada en la integridad (Eldredge et al. 2026)
• 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 y Johri 2026)
• From learning analytics to educational interventions: Enhancing decision-making and learning design — de la analítica del aprendizaje a las intervenciones educativas, facilitadores de intervenciones confiables basadas en analítica (Svetec, Divjak y Kadoić 2026)
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — incumplimiento estudiantil de las declaraciones de uso de IA
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — el costo oculto de la divulgación
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — divulgación estudiantil del uso de IA, estigma y aprendizaje autorregulado
• Which inference is at risk? Assessment validity reasoning and generative AI — qué inferencia está en riesgo, razonamiento sobre la validez de la evaluación e IA generativa (Weidlich 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi global sobre gobernanza y política de la IA generativa
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — gobernanza mediante orientación, normas de programa fijadas por los docentes y un ecosistema de apoyo de cuatro unidades en 50 universidades estadounidenses innovadoras (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — gobernanza del profesorado, discrecionalidad docente y revisión periódica en la política de IA generativa de las escuelas de derecho (Gutowski y Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — prohibiciones "de IA" demasiado amplias, conversión de formato y el problema del ajuste razonable (Wright 2026)
• AI refusal in higher education: The right to refuse, the duty to understand and the diagnostic value of non-use — la negativa como evidencia, gobernanza desigual, el deber de entender y el valor diagnóstico del no uso (Zagami 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — gobernanza anticipatoria y liderazgo para la IA
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — implementar AIDA en la Open University
• Leveraging complex systems: Leading for transformative change — SPARK, liderar para el cambio transformador
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — la implicación del estudiantado con la IA generativa (teoría de la autodeterminación)
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — más allá de la detección, rediseño de la evaluación auténtica
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education — política institucional de IA generativa en informática
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — marcos de declaración de uso de IA
• Generative AI as a design variable: An evidence-centered framework for principled governance in STEM assessment — gobernanza de la evaluación bajo IA generativa
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — la IA en la política de educación superior del Reino Unido
• Review of Artificial Intelligence in Education from 2020 to 2025 — revisión exhaustiva de la investigación en IA educativa
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — la tragedia de los bienes comunes cognitivos, la IA y la regeneración de la pericia
• The Policy Deficit in AI × Social-Emotional Learning Research — el déficit de política en la investigación sobre IA y 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 la educación
• Zero-shot governance — gobernanza zero-shot, la IA de propósito general en la política (Perrotta 2026)
• 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 educación superior
• Instructional Governance by Design: A Framework for AI in Computing Education — gobernanza instruccional por diseño, un marco para la IA en la educación en informática
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — mapear el límite autorizado, un estudio comparativo de viñetas de política sobre la gobernanza de la IA generativa en la educación superior australiana
• Delegation Is Not Assistance: Agentic AI and Assessment Governance in Higher Education — A Comparative Documentary Analysis of 12 Universities — delegación, evidencia y acceso, qué cambia la IA agéntica en la gobernanza de la evaluación universitaria (Wong y Sun 2026)
• Experimental futuring: AI prototyping and pilot testing as anticipatory governance in education — prototipos de IA y pilotos escolares como maquinaria de gobernanza que prefigura un futuro elegido (Williamson et al. 2026)
• Psychological pathways to responsible generative AI decision-making among teachers: governance clarity, perceived accountability, decision uncertainty, and AI literacy — Una vía propuesta de la claridad de gobernanza a los episodios de decisión docente
• Higher education governance under AI and geopolitical disruption: a socio-technical framework for administrative artificial intelligence — La IA administrativa como cuestión de operaciones de servicio
• Mind the AI policy gap: a policy analysis across global funding bodies — El lenguaje de gobernanza se queda en las políticas generales y nunca en las reglas de financiación que vinculan a quien solicita (Chan 2026)