¿Cómo redacto una política de IA para un curso y la comunico al estudiantado?

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

Tienes un solo programa, una sola hoja de tareas y un aula llena de estudiantes que ya han escrito sus propias reglas privadas sobre la IA generativa. Lo que publiques tiene que ser justo con quien respeta las reglas y con quien no, y tiene que ser algo que puedas aplicar de verdad a cuarenta entregas sin convertirte ni en un blando ni en un agente de policía.

La conclusión: escribe menos reglas de las que te tienta escribir, ata cada una a lo concreto que estás evaluando, nombra un único lugar estándar donde el estudiantado declare el uso de IA, y haz que tu vía de aplicación sean evidencias que puedas ver con tus propios ojos y no la puntuación de un detector. Una política que se explica a sí misma hace a la vez trabajo de diseño de evaluación y de comunicación, y por eso cuesta una tarde y ahorra un semestre de discusiones.

Esta página trata del documento a nivel de curso para un módulo, asignatura o itinerario de un programa. El supuesto en todo el texto es que ya has decidido qué evalúas; la pregunta es cómo decirlo y conseguir que se cumpla.

Cómo son de verdad las políticas de curso ahora mismo

Un análisis de contenido de 116 políticas institucionales de IA generativa de 131 universidades R1 de EE. UU. y 98 programas de asignaturas de informática de 54 de ellas encontró que las instituciones son mayoritariamente favorables al uso: el 63% fomenta el uso de IA generativa, el 41% ofrece orientación detallada para el aula y el 27% lo desaconseja, mientras que la mitad de los programas (50%) lo prohíbe directamente, el 41% permite un uso parcial para actividades especificadas y el 7% comunica un fomento. Ganguly et al. (2026) llaman a esto la brecha entre arriba y abajo: el 92% de los programas da directrices explícitas, pero el profesorado escribe reglas locales que pueden no alinearse con la orientación institucional, y solo 47 instituciones tenían ambos niveles detectables. La citación es lo único en lo que ambos niveles coinciden, exigida por el 83% de los programas. Tu regla local es la primera que encuentra el estudiantado, y ser más estricto que tu institución es normal, pero es un compromiso que asumes en solitario.

Chirikov (2026) siguió más de 31,000 programas de asignaturas en una gran universidad pública de investigación de Texas entre 2021 y 2025: la regulación pasó de casi cero antes de ChatGPT al 55% de los cursos en otoño de 2025, mientras que la proporción de políticas totalmente restrictivas cayó unos 5 puntos porcentuales al año. En otoño de 2025, el profesorado restringía con más frecuencia la redacción y la revisión (79%) y el razonamiento y la resolución de problemas (65%), y permitía con más frecuencia la edición y la corrección de pruebas (83%), el apoyo al estudio y la síntesis (80%) y la programación (75%); la ideación era el uso más disputado (46% lo permite, 54% lo restringe). Las menciones a la integridad académica cayeron del 63% al 49%, mientras que las referencias al impacto de la IA en el aprendizaje subieron del 1% al 29% y los requisitos de atribución del 16% al 43%. El profesorado está pasando del lenguaje del "no hagas trampa" al de "he aquí por qué este límite protege tu aprendizaje".

Nash y Burriss (2026) analizaron 27 políticas de aula sobre IA escritas por futuros docentes de lengua y literatura inglesa: 26 de 27 permitían algún uso de la IA, casi siempre con términos, momentos y lugares fijados por el docente, y una lo prohibía por completo. La ideación fue el uso más ampliamente permitido (22 de 27) y el más ambiguo; 22 prohibían o dejaban sin aclarar la composición de frases, párrafos o trabajos con IA; 16 permitían la corrección gramatical y la revisión de pruebas mientras 16 prohibían producir grandes textos generados por IA; y 22 de 27 no abordaban la lectura en absoluto. El fallo recurrente era la operacionalización: una política permitía la IA "para poner en marcha tu pensamiento" y declaraba "aquí es donde debe trazarse la línea" sin decir dónde. Esa ambigüedad es un defecto, no un compromiso: deja al estudiantado sin poder cumplir y a ti sin poder aplicar un criterio consistente.

Qué escribir y dónde ponerlo

Empieza por las tareas, no por la filosofía. El método desarrollado más claro es el de McCorkle (2025), que sustituyó una prohibición general que el estudiantado no creía que se le aplicara. El problema era la falta de alineación, no la rebeldía: los estudiantes no se veían a sí mismos comportándose de forma deshonesta. El método consistió en inventariar cada tarea del proyecto del semestre, preguntar de cada una "¿qué evalúo, en concreto?", emparejar cada tarea con un uso profesional plausible de la IA generativa y decidir tarea por tarea, sopesando la necesidad de evaluar una capacidad frente al valor de desarrollar una competencia laboral. La política resultante es deliberadamente desigual: se permite la lluvia de ideas pero no componer objetivos de aprendizaje específicos y medibles, se permite la selección de imágenes pero no el diseño del mensaje de cada diapositiva, y se permiten guiones y narración con evaluación obligatoria del resultado de la IA.

En el programa: el resumen breve, es decir, las tareas, el uso permitido para cada una, cómo funciona la declaración y la consecuencia de cruzar un límite. En la hoja de tareas: la llamada de atención concreta, porque un solo resumen es demasiado grueso para un proyecto complejo; el texto de McCorkle funcionó porque daba una justificación dirigida al estudiantado en segunda persona, nombrando la evaluación que justifica cada restricción. En clase: di la regla en voz alta una vez, en el momento en que se aplica por primera vez, y átala al trabajo que tienen delante; una regla que el estudiantado encuentra en solitario es una regla que interpreta en solitario.

La mecánica de la declaración merece su propio párrafo en el programa: el estudiantado que codiseñó una política de curso mediante indagación guiada priorizó la formación para estudiantes y docentes, unos procedimientos de declaración estandarizados, más apoyo institucional y una mayor participación en las decisiones sobre IA (Hingle y Johri (2026)). Di cómo, dónde y en qué forma declara el estudiantado el uso de IA, y dilo una sola vez. La medida equivalente de Pisan (2026) fue convertir el registro de indicaciones en el artefacto calificado: cuando el modelo hace la producción, el registro de indicaciones e interacciones es lo que merece versionarse.

Escribe solo reglas que puedas aplicar

Una regla que exija monitorizar cada tarea, o una decisión subjetiva sobre cuándo "empieza" una evaluación, se aplicará de forma inconsistente, y la inconsistencia es en sí misma un problema de equidad. Los regímenes basados en detectores traen un coste de vigilancia que recae de forma desigual y plantean cuestiones de supervisión remota y de retención de datos. El hallazgo de Chirikov sobre la variación sustancial por disciplina y por tarea aboga por marcos que concedan autonomía al profesorado dentro de su dominio en lugar de mandatos uniformes.

Aquí hay una dimensión de equidad: las políticas opacas presuponen un conocimiento compartido sobre autoría, atribución y normas del trabajo académico, así que golpean más fuerte a quien llega sin él. El argumento de McCorkle es que la transparencia desmonta parte de ese currículo oculto y reduce la probabilidad de que un fallo de la política se convierta en un asunto disciplinario. La versión más barata de todo esto son menos reglas y más específicas, es decir, las tareas que evalúas, los usos permitidos para cada una, la mecánica de la declaración y la consecuencia de cruzar un límite, con el motivo de cada límite explicitado.

Cómo decirlo para que el estudiantado cumpla

Las reglas de declaración no funcionan por sí solas como mecanismos de cumplimiento; suponer que lo hacen es el error de diseño más común. En un estudio de métodos mixtos con 409 estudiantes de grado, Qu y Wang (2026) encontraron que no declarar era una adaptación estratégica a las normas percibidas de los pares y a una baja confianza interpretativa en el profesorado, no una negligencia moral: la declaración percibida de los pares y la comodidad con el profesorado eran los predictores más fuertes de la propia declaración del estudiantado, mientras que la desconexión moral tenía efectos más débiles. El clima relacional es una variable diseñable, y los mandatos por sí solos no bastan: lo que el estudiantado cree que hacen sus pares, y si confía en que leerás una declaración con justicia, predice su honestidad mejor que la dureza de tus palabras.

Kim et al. (2026) identificaron cinco lugares distintos donde vive la política real de un curso (la intención del profesorado, la política formal, la interpretación del estudiantado, la autopolítica del estudiantado y su práctica), con brechas sistémicas entre ellos, además de 23 racionalizaciones en seis clases que el estudiantado usaba para justificar el uso de IA en la escritura académica, desde "no hay víctima humana" hasta "el profesorado es indiferente". Esas racionalizaciones eran ad hoc y a posteriori: los estudiantes explicaban una conducta que ya había ocurrido en lugar de razonar de antemano, y por eso una redacción más clara y una detección más dura no cierran la brecha por sí solas. Un participante que quería obedecer una estricta norma sin IA siguió usando IA y dijo que la prohibición "me está creando un conflicto, porque estoy incumpliendo las reglas"; la prohibición intensificó el conflicto moral en lugar de evitar el uso. Si una regla produce culpa sin cumplimiento, no está haciendo trabajo; está erosionando la relación que necesitas para la declaración.

Fíjate en lo que modelas: como la mayoría de las tareas del curso de Pisan declaraban la indicación usada para generarlas, un estudiante leyó la transparencia como permiso: "la dependencia de la ia por parte del profesor para calificar y crear tareas también dificultaba no usar la ia para las tareas de la misma manera." Modelar una norma forma parte de la política tal como el estudiantado la vive, diga lo que diga el programa.

Un enunciado modelo que puedes adaptar:

El uso de IA en este curso. Quiero que salgas de este curso siendo capaz de hacer X por tu cuenta, así que evalúo X directamente. Puedes usar IA para [usos permitidos] en [lista de tareas]; no puedes usarla para [usos restringidos], porque eso es lo que califico. Si usas IA en cualquier parte de tu trabajo, dime en [el único lugar designado, por ejemplo una línea de declaración en cada entrega] para qué la usaste y pega las indicaciones. Declararlo nunca bajará tu nota; no declararlo sí. Si dudas de si un uso está permitido, pregúntame antes de entregar, no después.

Esa última frase traslada el punto de decisión a antes del trabajo.

Las cuatro conversaciones que generan conflicto

El estudiante que usó IA y no lo dijo. Trata esto como una cuestión de proceso, no de carácter. Mohamed y Temimi (2026) modelan la evaluación como un problema de información imperfecta: el estudiante sabe cómo se produjo el trabajo y la institución solo ve el artefacto y rastros parciales. Su modelo de región de respuesta compara tres respuestas (no usar IA, uso declarado y uso oculto) y pregunta cuál hace más atractiva cada mecanismo. La prohibición define el límite formal pero deja atractivo el uso oculto cuando el estudiantado percibe la detección como débil; la monitorización eleva el coste esperado del uso oculto sin aumentar la declaración; el estudiantado se vuelve cauteloso sin volverse transparente. El permiso con declaración hace viable la honestidad solo cuando el coste de ser honesto es bajo. En la práctica: pregunta qué pretendía evaluar el trabajo, pide al estudiante que dé cuenta de su proceso y trata una declaración tardía como información, no como confesión.

El estudiante que cita la IA para todo. Esto suele ser una laguna de habilidades disfrazada de cumplimiento. Los requisitos de atribución en los programas subieron del 16% al 43% mientras las menciones a la integridad académica caían del 63% al 49%: el campo pide citación, no confesión. Especifica el formato una vez, en un solo lugar, en la hoja de tareas y no en una nota al pie del programa. Di qué cuenta como atribución adecuada en tu disciplina y da un ejemplo desarrollado. Donde el problema real es que el estudiante aún no puede hacer el trabajo de fondo sin el modelo, la respuesta es el diseño de la tarea, no la regla.

El trabajo en grupo. Las tareas grupales son donde los cinco lugares de la política divergen más rápido: cinco estudiantes pueden sostener cinco interpretaciones distintas de una misma frase y solo se califica una entrega. Decide y publica, para cada entrega grupal, si se permite el uso de IA, quién lo declara y qué ocurre cuando un miembro se sale de la regla, antes de que empiece el proyecto y no durante la disputa. Si no puedes enunciar la contribución individual de la que responde un miembro, califica la tarea como trabajo solo grupal en lugar de adjudicar la autoría a posteriori.

Una declaración que no puedes verificar. Algunas declaraciones serán incompletas y algunas omisiones, imposibles de refutar. No construyas la regla en torno a una resolución que no puedes lograr: Bassett et al. (2026) sostienen que la detección de IA no debería usarse en educación en absoluto, por tres razones que afectan directamente a la redacción de la política. El resultado de un detector es una estimación probabilística que no puede verificarse de forma independiente, porque el origen real del texto es desconocido, así que la validación se apoya en un razonamiento circular. Las puntuaciones de los detectores no alcanzan el estándar de balance de probabilidades que exige una investigación de integridad. Y la dicotomía humano frente a IA carece de sentido para un trabajo creado con IA en lugar de por IA. Su conclusión es que la detección "no salvaguarda la integridad académica; la socava". También señalan un problema de redacción: las reglas que restringen el uso de IA "en la evaluación" no especifican cuándo empieza una evaluación, así que la investigación, la planificación o la edición asistidas por IA pueden ser o no una infracción según quién las lea. En su lugar, nombra evidencias de proceso que puedas observar (un registro de indicaciones e interacciones entregado, un ejercicio hecho en el aula, una explicación oral) y trata un uso de IA declarado como contexto. Donde tu institución use un detector de todos modos, se aplican las advertencias de los mismos autores sobre el almacenamiento, la retención y el uso comercial del trabajo del estudiantado; la objeción de privacidad que plantearon dos futuros docentes es la objeción que planteará tu estudiantado.

"Pero..." Las tres objeciones que oirás

"El estudiantado simplemente lo ocultará." Algunos lo harán, y la cuestión de diseño es a qué estudiantes tienta tu regla. La disuasión pasa por la discriminación de un detector entre el uso oculto y el trabajo legítimo, no por su tasa bruta de aciertos, así que cuando una sensibilidad extra produce más falsos positivos nuevos que verdaderos positivos nuevos, una monitorización más fuerte puede hacer relativamente más atractivo el ocultamiento: los estudiantes honestos son penalizados más rápido de lo que se identifica a quienes ocultan su uso. Y permiso y declaración son palancas distintas: el permiso mueve el límite del uso aceptable, la declaración cambia la visibilidad. Diagnostica hacia dónde atrae tu tarea al estudiante más tentado de ocultar, y diseña para ese estudiante, no para el más concienzudo.

"No quiero prohibir herramientas que no puedo detectar." No tienes que hacerlo. La prohibición es solo una de cuatro respuestas de diseño, junto con la monitorización, el uso permitido con declaración y el rediseño. El rediseño cambia lo que la tarea recompensa, y se queda en cosmético si la rúbrica sigue calificando sobre todo el producto final. Pisan (2026) muestra las opciones explicitadas y graduadas por nivel: el uso de IA está vedado en el curso introductorio de programación, porque externalizar los primeros bucles elimina lo que se está enseñando; se fomenta en proyectos de estructuras de datos (se permite Copilot) pero se veda en los exámenes en papel; es una ayuda de estudio y repaso en el curso de sistemas de nivel superior; y es obligatorio en el propio curso de IA, donde un límite cargaba con casi todo el peso: el modelo puede escribir código, pero las reflexiones deben ser la voz propia del estudiante. La evaluación se desplazó hacia un trabajo que un modelo no puede escribir en la sombra en silencio, con los exámenes eliminados por completo.

"La política de mi institución ya cubre esto." Menos de lo que crees. Esa brecha entre arriba y abajo va en ambos sentidos: el 92% de los programas da directrices explícitas mientras las reglas locales se alejan de la orientación institucional, y solo 47 instituciones tenían ambos niveles detectables. La contratación, los datos y los ciclos de revisión corresponden a ¿Cómo escribimos e implementamos una política institucional de IA?, pero la traducción al aula es tuya. Nash y Burriss concluyen que las instituciones deben capacitar al profesorado para resistir además de adoptar, ofreciendo la orientación y el desarrollo profesional que permitan a un docente declinar un uso específico de la IA sin quedar enmarcado como desfasado; el tecnodeterminismo de sus participantes contradecía sus propios compromisos pedagógicos. Tener una política institucional no es lo mismo que tener cobertura para tu decisión personal.

Tu primera semana: una lista de acciones

• Inventaría las tareas calificadas y pregúntate de cada una "¿qué evalúo, en concreto?" antes de decidir nada sobre la IA.
• Decide tarea por tarea y comprueba qué respuesta hace esa decisión más atractiva para el estudiante más tentado de ocultar su uso.
• No conviertas un detector en el mecanismo de aplicación; nombra en su lugar evidencias de proceso que puedas observar: registros, trabajo en el aula, una comprobación oral.
• Di cómo y dónde declara el estudiantado el uso de IA, en un único lugar estándar, y trata una declaración como contexto, no como confesión.
• Enuncia cada regla como una justificación, nombrando la evaluación a la que sirve, con recordatorios en los proyectos complejos.
• Escribe solo reglas que puedas aplicar de forma consistente a lo largo de un ciclo de calificación, y elimina las que no puedas.

A dónde ir después

La gobernanza, la política de datos, la contratación y los ciclos de revisión corresponden a ¿Cómo escribimos e implementamos una política institucional de IA?; las reglas institucionales y de distrito obligatorias están en Educational AI Policy y AI Governance; reconstruir la tarea misma para que una nota siga sustentando una inferencia defendible corresponde a ¿Cómo puedo rediseñar la evaluación para que una calificación siga diciéndome algo defendible sobre lo que el estudiante sabe o puede hacer?.