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

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

Faltan tres semanas para el inicio del semestre, la plantilla del programa tiene una línea para la "política de IA" y en este momento dice: consulte las normas de integridad académica de la universidad. O el curso de un colega volvió con una tanda de entregas que nadie cree que se escribieran en el aula, y la reunión de programa del jueves termina con la petición de que cada curso declare su postura por escrito. O la política ya está escrita y el periodo de calificación le está mostrando cuáles de sus frases puede aplicar de verdad.

La conclusión de fondo: nombre las tareas que califica, diga qué puede hacer la IA en cada una, coloque la declaración en un solo lugar y haga cumplir la regla con evidencia que pueda observar. Cinco permisos específicos se sostienen mejor que una página de prohibiciones. Una política que se explica a sí misma hace a la vez trabajo de diseño de evaluación y trabajo de comunicación, y por eso cuesta una tarde y ahorra un semestre de discusiones.

Todo lo que sigue es el documento a nivel de curso para un módulo, un curso o un tramo de programa. El supuesto es que usted ya ha decidido qué está evaluando; la tarea aquí es decirlo y hacer que se sostenga.

La versión breve

1. Haga inventario de las tareas calificadas y pregunte por cada una qué, específicamente, está evaluando. La frontera sigue esa respuesta.

2. Redacte la regla al nivel del paso: se permite la lluvia de ideas, no la redacción de objetivos. Se permite la selección de imágenes, no el diseño del mensaje a nivel de diapositiva.

3. Ponga el resumen en el programa, la redacción operativa en la hoja de la tarea y diga la regla en voz alta una vez, en el momento en que se aplica por primera vez.

4. Nombre un único lugar y un único formato estándar para la declaración, y mantenga el costo de declarar por debajo del costo de ocultar.

5. Haga cumplir la regla con trabajo que pueda observar: un registro de prompts, un ejercicio en clase, un relato oral. Las puntuaciones de los detectores quedan fuera de la ruta de aplicación.

Empiece por las tareas que califica

El método desarrollado más claro es el de McCorkle (2025), que estaba reemplazando una prohibición general que el estudiantado no creía que se le aplicara. Lea ese fracaso correctamente: fue falta de alineación y no desafío, y los estudiantes no se veían a sí mismos comportándose de forma deshonesta. Contra una regla que ya han decidido que no va con ellos no se puede discutir, solo se puede ignorar.

El método de McCorkle se desarrolla en cuatro pasadas. Haga inventario de cada tarea del proyecto del semestre, pregunte por cada una "¿qué, específicamente, estoy evaluando?", empareje cada tarea con un uso profesional plausible de la IA generativa y luego decida tarea por tarea. Cada decisión sopesa la necesidad de evaluar una capacidad frente al valor de construir una competencia que el estudiante usará en su trabajo.

El resultado es deliberadamente desigual. Se permite la lluvia de ideas; no se permite redactar objetivos de aprendizaje específicos y medibles. Se permite la selección de imágenes; no se permite el diseño del mensaje a nivel de diapositiva. Se permiten los guiones y la narración, con evaluación obligatoria de la salida de la IA. Escrita así, esa lista parece arbitraria hasta que se lee la razón junto a cada línea, y por eso las razones viajan con las reglas.

Decida cuán estricta ser, sabiendo lo que hacen los demás

Dos datos le dicen cómo se ve una política normal este año, y ambos merecen llegar a la reunión donde alguien propone una prohibición.

Un análisis de contenido de 116 políticas institucionales de IA generativa de 131 universidades estadounidenses R1 y 98 programas de ciencias de la computación de 54 de ellas encontró instituciones mayoritariamente favorables al uso: el 63% fomenta el uso de IA generativa, el 41% ofrece orientación detallada para el aula y el 27% lo desalienta. La mitad de los programas (50%) la prohíbe de plano, el 41% permite un uso parcial para actividades especificadas y el 7% comunica fomento. Ganguly et al. (2026) llaman a esto la brecha entre arriba y abajo. El 92% de los programas da directrices explícitas, y sin embargo las reglas locales se alejan de la orientación institucional, y solo 47 instituciones tenían ambos niveles detectables. La cita es el único requisito en el que coinciden los dos niveles, en el 83% de los programas.

Chirikov (2026) siguió más de 31.000 programas en una gran universidad pública de investigación de Texas entre 2021 y 2025. La regulación subió desde casi cero antes de ChatGPT hasta el 55% de los cursos en el otoño de 2025, mientras que las políticas totalmente restrictivas cayeron unos 5 puntos porcentuales al año. En el otoño de 2025 los docentes restringían con más frecuencia la redacción y la revisión (79%) y el razonamiento y la resolución de problemas (65%). Lo que más permitían era la edición y la corrección de pruebas (83%), el apoyo al estudio y la síntesis (80%) y la programación (75%). La ideación fue el uso más contestado, con un 46% que la permite y un 54% que la restringe.

La redacción cambió con las cifras. Las menciones a la integridad académica cayeron del 63% al 49%, las referencias al efecto de la IA en el aprendizaje subieron del 1% al 29% y los requisitos de atribución subieron del 16% al 43%. El campo se está desplazando de "no haga trampa" hacia "esta es la razón por la que este límite protege su aprendizaje", y la segunda versión es la que un estudiante puede llevar a la práctica.

Dos consecuencias para su documento. Ser más estricto que su institución es normal, y es un compromiso que usted asume solo, porque el costo de hacerlo cumplir recae sobre usted. Un requisito de cita es casi gratis, porque cuatro quintos del campo ya lo piden y ningún estudiante tiene que adivinar qué quiere usted decir.

Coloque cada regla donde el estudiante la encontrará

Tres documentos, tres trabajos.

El programa del curso lleva el resumen breve: las tareas, el uso permitido en cada una, cómo funciona la declaración y la consecuencia de cruzar un límite. Una pantalla, nada de filosofía.

La hoja de la tarea lleva el aviso específico. Un único resumen es demasiado grueso para un proyecto complejo, y aquí es donde la redacción de McCorkle hizo su trabajo, en una justificación dirigida al estudiantado en segunda persona que nombraba la evaluación detrás de cada restricción.

El aula lleva la primera declaración oral. Diga la regla una vez, en el momento en que se aplica por primera vez, atada al trabajo que tienen delante. Una regla que un estudiante encuentra solo es una regla que interpreta solo.

La mecánica de la declaración necesita su propio párrafo, y debería ser el más concreto de la página. Los estudiantes que codiseñaron una política de curso mediante indagación guiada priorizaron la formación del estudiantado y del profesorado, los procedimientos de declaración estandarizados, un apoyo institucional más sólido y una mayor participación en las decisiones sobre IA (Hingle y Johri (2026)). Diga cómo, dónde y en qué forma declara un estudiante el uso, y dígalo una sola vez.

Pisan (2026) encontró una versión más fuerte del mismo movimiento: convertir el registro de prompts en el artefacto calificado. Cuando un modelo hace la producción, el prompt y el registro de la interacción son lo que vale la pena versionar, de modo que la declaración deja de ser papeleo y se convierte en evidencia que el estudiante está construyendo.

Escriba solo reglas que pueda aplicar en un ciclo de calificación

Una regla que exige monitoreo tarea por tarea, o un juicio sobre cuándo "empieza" una evaluación, se aplicará de forma inconsistente en una clase y entre dos correctores. La inconsistencia es un problema de equidad antes que un problema administrativo. Un régimen construido sobre detectores añade un costo de vigilancia que recae de forma desigual, junto con preguntas sobre la supervisión remota y la retención de datos que quizá no pueda responder a nivel de curso.

Nash y Burriss (2026) analizaron 27 políticas de IA de aula escritas por futuros docentes de lengua y literatura inglesa. 26 de 27 permitían algún uso de IA, casi siempre en términos, momentos y lugares especificados por el docente; una la prohibía por completo. La ideación fue el uso más ampliamente permitido (22 de 27) y el más ambiguo. 22 no permitían o dejaban sin aclarar la composición de frases, párrafos o trabajos por parte de la IA. 16 permitían la corrección gramatical y de pruebas, mientras que 16 prohibían producir grandes bloques de texto generados por IA. Y 22 de 27 no abordaban la lectura en absoluto.

El fallo recurrente era la operacionalización. Una política permitía usar IA "para empezar a pensar" y declaraba "aquí es donde debe trazarse la línea" sin decir dónde quedaba la línea. Esa ambigüedad deja al estudiantado incapaz de cumplir y a usted incapaz de aplicar un estándar consistente. Es un defecto, no una solución de compromiso.

El hallazgo de Chirikov sobre una variación disciplinar y de tareas sustancial aboga por marcos que otorguen autonomía a los docentes dentro de su propio dominio en lugar de un mandato único para todos, que también es la descripción honesta de lo que es una política de curso: un juicio local dentro de una regla más amplia.

Hay aquí una dimensión de equidad. Las políticas opacas suponen un conocimiento de fondo compartido sobre autoría, atribución y normas del trabajo académico, de modo que recaen con más fuerza sobre los estudiantes que llegan sin él. El caso de McCorkle es que la transparencia desarma 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 es breve y específica: las tareas que evalúa, los usos permitidos en cada una, la mecánica de la declaración y la consecuencia de cruzar un límite, cada una con su razón adjunta.

Dígalo en voz alta y observe lo que modela

Las reglas de declaración no funcionan como mecanismos de cumplimiento por sí mismas, y tratarlas como si lo hicieran es el error de diseño más común. En un estudio de métodos mixtos con 409 estudiantes de grado, Qu y Wang (2026) encontraron que la no declaración era una adaptación estratégica a las normas percibidas de los pares y a una baja confianza interpretativa en los docentes y no una negligencia moral. La declaración percibida de los pares y la comodidad con el docente fueron los predictores más fuertes de la propia declaración del estudiantado; la desconexión moral tuvo efectos más débiles.

Eso le deja dos palancas que sí controla: lo que los estudiantes creen que hacen sus pares y si confían en que usted leerá una declaración con justicia. Ambas responden a cómo habla usted de la regla en la primera semana. Ninguna responde a la severidad de la redacción.

Kim et al. (2026) encontraron cinco sitios distintos donde vive la política real de un curso: la intención del profesorado, la política formal, la interpretación del estudiante, la autopolítica del estudiante y la práctica del estudiante. Las brechas entre ellos son sistémicas. También catalogaron 23 racionalizaciones en seis clases que el estudiantado usaba para justificar el uso de IA en la escritura académica, desde "ninguna víctima humana" hasta "indiferencia del docente". Esas racionalizaciones eran ad hoc y posteriores al hecho: 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.

Una participante que quería obedecer una regla estricta de no usar IA siguió usando IA y dijo que la prohibición "me está creando un conflicto, porque estoy rompiendo las reglas". La prohibición intensificó el conflicto moral sin impedir el uso. Una regla que produce culpa sin cumplimiento está erosionando la relación que usted necesita para la declaración.

Observe también lo que modela. La mayoría de las tareas del curso de Pisan declaraban el prompt usado para generarlas, y un estudiante leyó esa transparencia como permiso: "la dependencia de la IA por parte del docente para calificar y crear tareas también hizo difícil no usar la IA para las tareas de la misma manera". Modelar una norma es parte de la política tal como el estudiantado la experimenta, diga lo que diga el programa.

Una declaración que puede adaptar:

El uso de IA en este curso. Quiero que usted salga de este curso capaz de hacer X por su cuenta, así que evalúo X directamente. Puede usar IA para [usos permitidos] en [lista de tareas]; no puede usarla para [usos restringidos], porque eso es lo que estoy calificando. Si usa IA en cualquier parte de su trabajo, dígame en [el único lugar nombrado, por ejemplo una línea de declaración en cada entrega] para qué la usó y pegue los prompts. Declararlo nunca bajará su nota. No declarar un uso es lo que conlleva una consecuencia. Si no está seguro de si un uso está permitido, pregúnteme antes de entregar, no después.

Esa última frase traslada el punto de decisión a antes del trabajo, que es el único momento en que la pregunta es barata de responder.

Planifique las cuatro conversaciones antes de que ocurran

El estudiante que usó IA y no lo dijo. Trátelo 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 ve el artefacto más rastros parciales. Su modelo de regiones de respuesta compara tres respuestas, ningún uso de IA, uso declarado y uso oculto, y pregunta cuál de ellas hace más atractiva cada mecanismo. La prohibición fija el límite formal y deja el uso oculto atractivo cuando los estudiantes perciben la detección como débil. La vigilancia eleva el costo esperado del uso oculto sin elevar la declaración, de modo que los estudiantes se vuelven cautelosos sin volverse transparentes. El permiso con declaración hace viable el reporte honesto solo mientras el costo de la honestidad se mantiene bajo.

En el aula, eso significa preguntar qué debía evaluar el trabajo, pedir al estudiante que dé cuenta de su proceso y leer una declaración tardía como información y no como confesión.

El estudiante que cita la IA para todo. Esto suele ser una brecha de habilidades disfrazada de cumplimiento. Los requisitos de atribución subieron del 16% al 43% de los programas mientras las menciones a la integridad académica caían del 63% al 49%, así que el campo está pidiendo citas en lugar de confesiones. Especifique el formato una vez, en la hoja de la tarea y no en una nota al pie del programa. Diga cómo se ve una atribución adecuada en su disciplina y dé un ejemplo resuelto. Cuando el problema real es que el estudiante todavía no puede hacer el trabajo de fondo sin el modelo, la respuesta está en el diseño de la tarea.

El trabajo en grupo. Cinco estudiantes pueden sostener cinco interpretaciones de una misma frase, y se califica una sola entrega. Para cada entregable de grupo, decida y publique si se permite el uso de IA, quién lo declara y qué ocurre cuando un miembro se sale de la regla. Hágalo antes de que empiece el proyecto, mientras es una pregunta de planificación. Si no puede enunciar la contribución individual de la que responde un miembro, califique la tarea como trabajo exclusivamente grupal en lugar de arbitrar la autoría a posteriori.

La declaración que no puede verificar. Algunas declaraciones serán incompletas y algunas omisiones serán infalsables. Bassett et al. (2026) sostienen que la detección de IA no debería usarse en educación en absoluto, por tres razones que afectan a la redacción. La salida de un detector es una estimación probabilística que no puede verificarse de forma independiente, porque el origen real del texto es desconocido, de modo que la validación opera con razonamiento circular. Las puntuaciones de los detectores no alcanzan el estándar de equilibrio de probabilidades que exige una investigación de integridad. Y la dicotomía humano frente a IA carece de sentido para un trabajo creado con IA y no por IA. Su conclusión es que la detección "no salvaguarda la integridad académica; la socava".

Señalan un problema de redacción que vale la pena copiar en su pasada de revisión. Las reglas que restringen el uso de IA "en la evaluación" no especifican cuándo empieza una evaluación, de modo que la investigación, la planificación o la edición asistidas por IA pueden constituir o no una violación según quién lo lea. Nombre en su lugar evidencia de proceso que pueda observar: un prompt y un registro de interacción entregados, un ejercicio producido en el aula, una explicación oral. Cuando su institución usa un detector de todos modos, sus advertencias sobre el almacenamiento, la retención y el uso comercial del trabajo del estudiantado se aplican, y la objeción a la privacidad que plantearon dos futuros docentes es la objeción que plantearán sus estudiantes.

En qué se equivocan los docentes sobre esto

Una política más estricta es una política más segura. Ser más estricto que su institución es común y defendible, pero el costo de hacerlo cumplir es suyo, y una regla que no puede aplicar de forma consistente en un ciclo de calificación es un problema de equidad. Elimine las reglas que no puede ejecutar.

Una prohibición es el mensaje más corto disponible. En las 27 políticas de futuros docentes, la ambigüedad estaba sobre todo en las permisivas, y 22 de 27 nunca abordaron la lectura, así que se dejó al estudiantado inferir. La participante de Kim et al. obedeció una prohibición rompiéndola y sintiéndose mal por ello.

La declaración es un mecanismo de cumplimiento. Es una señal, y las señales dependen de la confianza. Qu y Wang encontraron que las normas de los pares y la comodidad con el docente predecían la declaración mejor que el razonamiento moral.

Una puntuación de detector resuelve un caso disputado. No alcanza el estándar que debe cumplir una investigación de integridad y no puede distinguir el trabajo hecho con IA del trabajo hecho por IA. Construya el caso sobre trabajo que usted observó.

Escribir la política es la comunicación. Kim et al. encontraron cinco sitios donde vive la política real, y su documento es uno de ellos. La versión sobre la que actúa el estudiantado se ensambla con lo que usted dice en clase y lo que hace con sus propios materiales.

Lo que le van a responder

"Los estudiantes simplemente lo ocultarán." Algunos lo harán, y la pregunta de diseño es a qué estudiantes tienta su 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. Cuando una sensibilidad extra produce más falsos positivos nuevos que verdaderos positivos nuevos, una vigilancia más fuerte puede hacer el ocultamiento relativamente más atractivo, porque los estudiantes honestos son penalizados más rápido de lo que se identifica a los usuarios ocultos. El permiso y la declaración son palancas separadas: el permiso mueve el límite del uso aceptable, la declaración cambia la visibilidad. Diagnostique dónde su tarea atrae más al estudiante tentado a ocultar, y diseñe para ese estudiante.

"No quiero prohibir herramientas que no puedo detectar." No tiene por qué. La prohibición es una de cuatro respuestas de diseño, junto con la vigilancia, 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 principalmente el producto final. Pisan (2026) muestra los niveles explicitados: la IA está vetada en el curso introductorio de programación, porque externalizar los primeros bucles elimina lo que se está enseñando; se fomenta en los proyectos de estructuras de datos (se permite Copilot) y está vetada en los exámenes en papel; es una ayuda de estudio y repaso en el curso avanzado de sistemas; y es obligatoria en el propio curso de IA, donde un solo límite cargó con casi todo el peso. El modelo puede escribir código, y las reflexiones deben estar en la voz del propio estudiante. Los exámenes se eliminaron por completo y la evaluación se trasladó a trabajo que un modelo no puede escribir en la sombra sin que se note.

"La política de mi institución ya cubre esto." Menos de lo que usted cree. La brecha va en ambos sentidos: el 92% de los programas da directrices explícitas, 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 suya. Nash y Burriss concluyen que las instituciones deben capacitar al profesorado para resistir además de adoptar, con 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. Una política institucional no es cobertura para su decisión personal.

"No tengo tiempo de reescribir el programa este mes." Haga el inventario una vez, sobre la tarea que le preocupa, y lleve el resultado directamente a la hoja de la tarea. La frase del programa puede esperar al próximo ciclo de revisión. El estudiantado actúa sobre la hoja de la tarea de todos modos.

Qué hacer esta semana

1. Haga inventario de las tareas calificadas y escriba "¿qué, específicamente, estoy evaluando?" junto a cada una, antes de decidir nada sobre IA.

2. Decida tarea por tarea y compruebe qué respuesta hace cada decisión más atractiva para el estudiante más tentado a ocultar.

3. Redacte la frase de declaración: un lugar, un formato, un ejemplo resuelto de atribución adecuada.

4. Nombre la evidencia que aceptará en una disputa (registro de prompts, trabajo en clase, un relato oral) y elimine cualquier regla que no pueda contrastar con ella.

5. Diga la regla en voz alta en la próxima clase, en el momento en que se aplica por primera vez, con una justificación junto a cada restricción.

Adónde 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 Política educativa sobre IA y Gobernanza de la IA. Reconstruir la tarea para que una nota siga sustentando una inferencia defendible corresponde a ¿Cómo debería rediseñarse la evaluación para la era de la IA?, el argumento sobre la aplicación de las reglas está en ¿Cómo puedo reducir las trampas con IA en mi curso?, la decisión sobre los detectores en ¿Deberíamos usar detectores de IA? y el esquema de etiquetas en 'A bit of chaos and madness': The AI Assessment Scale and the work of assessment reform.