¿Cómo redactamos e implantamos una política institucional sobre la IA?

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

Usted es el vicerrector, decano, responsable de gobernanza, director de un centro de enseñanza o presidente de comité que tiene que elaborar o defender esta política, y responder a un colega que la califica de demasiado estricta o demasiado vaga. El resultado directo: publicar una política es la parte fácil, y un documento por sí solo no cambia nada. La mayoría de las instituciones ya ha respondido a si debe tener una publicándola, y el patrimonio resultante es amplio pero superficial: orientativo más que vinculante, concentrado en torno a la integridad académica y escaso en los problemas de datos, equidad y capacidades que deciden si el uso de la IA va bien. Lo que distingue una política defendible de un documento que acumula polvo es un responsable con nombre, un calendario de revisión, una vía de traslación a los cursos y un diseño de evaluación que recompense la conducta que se pide.

La versión breve

Escriba poco sobre aspiraciones y sea explícito sobre las obligaciones. Audite su borrador para detectar cada «podría» y «puede» donde quiere decir «debe», y defina el plagio y los usos prohibidos con palabras que un estudiante de primer año pueda aplicar. Nombre a un responsable ejecutivo y un ciclo de revisión antes de publicar. Diga dónde residen las obligaciones de FERPA, GDPR, HIPAA, IRB y de integridad en la investigación en lugar de integrarlas dentro: un solo documento que absorba protección de datos, ética de la investigación, regulación clínica y conducta académica será largo, no se leerá y será inaplicable. Financie juntas la capacidad del personal y el acceso del estudiantado, porque fracasan juntas. Pregunte cuántos cursos operacionalizaron realmente la política, y trate una cifra baja como un fallo de apoyo y no como un problema de cumplimiento. Integre la reflexión sobre el uso de la IA en el trabajo calificado con un nivel proporcionado al esfuerzo que exige, y añada un plan de evaluación, porque nadie puede afirmar que la política mejoró algo hasta que lo mida.

Decide primero: qué gobierna su documento

Manikonda y Outlaw (2026) rastrearon políticas de IA de 149 universidades estadounidenses R1 y R2 y verificaron 130 políticas de nivel universitario que abarcaban 34 estados. El registro es orientativo más que directivo: el 95% de las políticas obtuvo una puntuación negativa de fuerza y claridad, de modo que el lenguaje débil («podría», «puede») domina sobre las directrices («debe», «prohibido»). Las políticas de nivel universitario priorizan la seguridad de los datos, la mitigación de riesgos, las compras y el cumplimiento legal con poca orientación pedagógica, mientras que las políticas de nivel de facultad que existen se centran en la enseñanza y la AI Literacy. Solo ocho escuelas de negocios tenían una política propia de facultad, y estas diferían de su marco matriz en seis de ocho casos. El remedio de los autores es una estructura por capas: una capa de gestión de riesgos para toda la universidad, políticas de nivel departamental y comités interdepartamentales con profesorado y estudiantes.

Eso le da una decisión de alcance que declarar por escrito: declare el documento un instrumento de gestión de riesgos y sitúe el detalle operativo en el nivel departamental, lo que también responde a la acusación de vaguedad.

Decide segundo: si las disposiciones vinculan

Mire lo que publican las instituciones cuando nada obliga a plantear la pregunta. Eldredge et al. (2026) examinaron los 48 programas de máster en informática de la salud y gestión de la información sanitaria acreditados por CAHIIM en Estados Unidos. Cuarenta programas (83%) publicaron al menos un documento relacionado con la IA; de la muestra analítica, 21 documentos (53%) eran guías, 9 (23%) informativos y solo 7 (18%) políticas formales. La integridad académica fue la palabra clave más frecuente (n = 139), por delante de la citación (59), la Assessment (50) y el plagio (38); la declaración del uso de IA y la contratación de trabajos aparecieron una vez cada una; HIPAA apareció cinco veces, FERPA once y los historiales clínicos electrónicos ninguna. El vocabulario de equidad estuvo casi ausente: inclusión (n = 9), accesibilidad (n = 9), acceso equitativo (n = 2). Eso es atención sin un compromiso vinculante equivalente.

La lección no cuesta nada: cuente sus verbos modales y escriba una consecuencia donde quiera decir una.

Decide tercero: quién lo redacta y a quién vincula

Dos revisiones sitúan la debilidad en la capacidad, no en la intención. Ashiq (2026) sintetizó más de setenta fuentes del Reino Unido y encontró que solo una minoría de instituciones mantiene planes oficiales de gobernanza de la IA, que las lagunas de planificación estratégica producen deriva de políticas y cumplimiento performativo, que la orientación nacional de la Office for Students y Jisc ha sido criticada por carecer de especificidad y capacidad de aplicación, y que la formación del personal en IA y la inversión en infraestructura se concentran en instituciones intensivas en investigación, mientras que las instituciones centradas en la enseñanza afrontan limitaciones de capacidad. Baroudi (2026) revisó 19 fuentes y encontró que solo el 7% de las instituciones había creado roles directivos sénior de IA pese a que el 49% trataba la IA como prioridad estratégica, con una brecha entre teoría e implementación impulsada por marcos de política débiles y una infraestructura digital limitada, en particular en el Sur Global. Redactar una política no es el cuello de botella; asumirla, dotarla de recursos y revisarla sí lo es.

Así que decida quién preside esto y quién forma parte antes de redactar. Crompton et al. (2026) reunieron un panel Delphi de 22 países y localidades de seis continentes y produjeron un marco de consenso con ocho áreas centrales (integridad académica, uso ético y responsable, privacidad y protección, acceso equitativo, alfabetización en IA generativa, estrategia de integración, supervisión y rendición de cuentas humanas, y apoyo e infraestructura institucionales) más un mecanismo de seis partes para mantener la política al día: un comité de gobernanza multidisciplinario (más de la mitad del panel), ciclos de revisión programados (la mitad del panel), desarrollo profesional, comunicación con todos los Stakeholders, evaluación de la eficacia y seguimiento de los avances externos. Use el marco como lista de cobertura y el mecanismo como modelo operativo. Fíjese en dónde el consenso está desequilibrado, porque su comité derivará en la misma dirección: el uso ético y responsable fue mencionado por dos tercios de los panelistas y la privacidad por más de la mitad, pero el acceso equitativo solo por un tercio; la equidad es lo primero que un proceso de consenso infravalora. La mitad del panel insistió en que los resultados significativos de IA generativa los revise una persona, y se mostró partidaria de una evaluación centrada en el proceso y oral.

Hay una decisión de participación que conviene tomar de forma deliberada. Hingle y Johri (2026) hicieron que los estudiantes codiseñaran una política de curso sobre IA generativa mediante indagación guiada; las prioridades que surgieron fueron formación para estudiantes y docentes, procedimientos de declaración estandarizados, un apoyo institucional más sólido en lugar de depender de docentes individuales, y un papel en las decisiones sobre las normas que rigen su propio aprendizaje, lo que aboga por la incorporación de estudiantes al comité y no por una ronda de consulta. Baroudi encontró estilos de liderazgo habilitantes y distributivos asociados a una mayor implicación del profesorado y apertura al cambio, y documentó la maquinaria de Change Management (el modelo de contagio de Valente, el marco de cinco etapas de Rieber y Welliver) como apoyo a la adopción. El estilo de liderazgo, según esta evidencia, forma parte de la política.

Tan et al. (2026) ofrecen un marco organizativo de seis dimensiones cuyas proposiciones se dejan explícitamente para una validación empírica futura. Es una lista de lo que debería cubrir una política, no evidencia de lo que funciona: útil para la estructura, y una exageración si se cita como prueba.

La brecha en la práctica está entre las normas individuales y las institucionales. La encuesta de AAC&U y Elon a 1.057 docentes estadounidenses (Watson y Rainie 2026) encontró que el 87% había creado sus propias políticas para el estudiantado sobre el uso de IA generativa, mientras que solo el 48% dijo que su institución había redactado tales directrices y el 35% que lo había hecho su departamento. En términos estructurales, el 55% informó de un grupo de trabajo u órgano de supervisión, el 37% de nuevas asignaturas centradas en IA, el 17% de una titulación principal o secundaria en IA, el 16% de nuevas oficinas de liderazgo académico, y solo el 13% había adoptado la alfabetización en IA como resultado de aprendizaje de educación general. La muestra no es científica y los autores afirman que no es generalizable, pero la asimetría es lo importante: las normas que los estudiantes encuentran realmente las escribe el docente que tienen delante, y por eso la traslación a los cursos importa más que la publicación. Coates, Croucher y Calderon (2025) aportan el instrumento de gobernanza para el extremo opuesto: un marco de indicadores de integridad académica creado para los órganos de gobierno institucionales mediante revisiones de investigación, estudios de caso multiinstitucionales, prototipado y confirmación experta, junto con reformas de las arquitecturas de gobernanza, las personas y las tecnologías.

Decide cuarto: dónde residen las obligaciones de datos, privacidad y consentimiento

Cumplir la legislación de base no es gobernanza ética de los datos. Varadaraju y Vijayakumar (2026) sostienen que la gobernanza de la Learning Analytics en la educación superior ha seguido un enfoque de cumplimiento primero, centrado en satisfacer FERPA y el GDPR, y proponen el marco LEAGUE (Lawfulness, Equity, Agency, Governance, Utility y Ethics by Design), demostrado frente a un estudio de caso de alerta temprana. El panel Delphi situó de forma independiente la privacidad y la protección de datos como tema crítico para más de la mitad de sus miembros, y el tercer pilar político del OECD Digital Education Outlook (2026) es un entorno propicio para una IA generativa digna de confianza que abarque la Privacy, la seguridad, las pruebas de sesgo y la transparencia.

La lección del corpus de informática de la salud es disciplina de alcance: sus documentos sobre IA apenas mencionaban HIPAA, FERPA o las guías del IRB y nunca mencionaban los historiales clínicos electrónicos, porque esas obligaciones residen en políticas de cumplimiento más amplias. Nombre dónde se sitúa cada obligación y exija que los estudiantes se topen con ella en el trabajo de curso.

Decide quinto: cómo llega la política al aula

Esta es la decisión en la que fracasan la mayoría de las políticas, y es medible. Ganguly et al. (2026) analizaron 116 políticas institucionales de IA generativa de 131 universidades R1 junto con 98 programas de asignaturas de informática de 54 instituciones R1. Las instituciones en su mayoría fomentaban el uso de IA generativa (73, 63%) mientras que 31 (27%) lo desalentaban; a nivel de curso, 90 programas (92%) daban directrices explícitas pero 49 (50%) prohibían abiertamente el uso de IA generativa, 40 (41%) permitían un uso parcial y solo 7 (7%) lo fomentaban. Solo 47 de 131 instituciones tenían a la vez una política institucional y una traslación detectable a nivel de curso. La gobernanza, según esta evidencia, significa traducir la política en un apoyo concreto al profesorado, o el profesorado improvisará normas locales que pueden no alinearse con la orientación institucional.

Pregunte a su comité cuántos cursos trasladan de forma detectable la política, y trate la respuesta como una métrica de apoyo y no de cumplimiento.

Decide sexto: capacidad, acceso y la revisión que prometió

Dos disposiciones que se omiten con frecuencia son el desarrollo del personal y el acceso equitativo. El panel Delphi situó el apoyo institucional y la infraestructura como el facilitador fundacional; Baroudi encontró que los roles sénior de IA son raros y subrayó la alfabetización en IA y la formación práctica para el profesorado y el personal. Ashiq encontró que la formación del personal en IA se concentra en instituciones intensivas en investigación, ampliando una Digital Divide. Adarkwah et al. (2026) analizaron 159 documentos de 30 universidades de alto ranking en los diez países mejor situados en el Índice de Preparación en IA del FMI, puntuados frente al marco de IA generativa de ocho componentes de la UNESCO. Cuatro universidades se excluyeron por carecer de políticas de acceso público, quedando 26, y no se encontraron políticas públicas para universidades alemanas ni para la Tallinn University of Technology. Los principios éticos y de gobernanza centrales se adoptaron ampliamente, mientras que la inclusión, la equidad, el acceso a internet, la paridad de género y el impacto ambiental se pasaron por alto con frecuencia, y muchas disposiciones siguieron siendo declarativas más que operativamente garantizadas: el mismo patrón que encontró el corpus de informática de la salud, donde el vocabulario de equidad estuvo casi ausente. El cuarto pilar de la OCDE es una infraestructura digital equitativa, incluidos modelos de lenguaje pequeños sin conexión para entornos con baja conectividad. Tan et al. extienden la dimensión de competencia más allá de la AI Literacy hacia la alfabetización en datos, la ética digital, el pensamiento estratégico, el liderazgo del cambio y el aprendizaje a lo largo de la vida.

Presupueste esto junto y nombre a un responsable: una política que exige el uso de IA sin financiar dispositivos, conectividad, adaptaciones o formación ha asignado una obligación que no puede sostener.

Dos estudios de política recientes le dan un instrumento de auditoría y una advertencia sobre el apoyo. Gutowski y Hurley (2025) puntuaron políticas institucionales en cinco dimensiones con rúbricas explícitas (prohibitividad, permisividad, integración educativa, transparencia y rendición de cuentas, y profundidad) y encontraron que la mayoría de las instituciones de su sector adoptaba posiciones generalmente prohibitivas reservándose la discreción para docentes individuales, sin un único enfoque aceptado y con la propia claridad tratada como condición previa para una aplicación defendible. Su recomendación es deliberadamente procedimental: directrices exhaustivas sea cual sea su postura, partes interesadas implicadas en la redacción, formación proactiva, gobernanza diseñada para ser flexible y ciclos de revisión, con la idea de que la generación de políticas no es un acontecimiento único. Qian (2026) llega al mismo punto estructural desde el lado del apoyo: lo que distingue a las instituciones no es solo la norma, sino el ecosistema de apoyo publicado junto a ella, con desarrollo del profesorado, orientación al estudiantado, apoyo a la evaluación y estructuras de gobernanza que hacen operativa la política. Lea su borrador como un compromiso de apoyo con normas adjuntas, y no al revés.

Cuatro objeciones que escuchará

«Ya tenemos una política de integridad académica.»

Es necesaria y no suficiente, y el corpus muestra por qué: la integridad es la disposición más fácil de redactar, y por eso domina los recuentos de palabras clave mientras el vocabulario de equidad, el acceso y las obligaciones de datos están casi ausentes. Lo que respalda la evidencia es una división del trabajo, no una fusión: las normas de conducta se quedan donde el proceso de integridad académica puede aplicarlas, y la política de IA asume lo que un código de integridad no alcanza: las compras y la seguridad de los datos, el procedimiento de declaración, la accesibilidad y el acceso, la formación del personal y las condiciones de evaluación bajo las cuales la integridad es alcanzable. La insistencia del panel Delphi en la revisión humana de los resultados significativos de IA generativa, y su preferencia por una evaluación centrada en el proceso y oral, no tiene cabida en un código de integridad.

«El profesorado la ignorará.»

Algunos lo harán, y rara vez se trata de voluntad. La evidencia de Ashiq es de capacidad: los planes de gobernanza son poco comunes, las lagunas de planificación producen deriva de políticas y cumplimiento performativo, y la formación y la inversión en infraestructura se concentran en instituciones intensivas en investigación mientras las centradas en la enseñanza afrontan limitaciones. La de Baroudi es de estructura: el 7% de las instituciones había creado roles directivos sénior de IA frente al 49% que trataba la IA como prioridad estratégica. La de Ganguly et al. es de traslación: solo 47 de 131 instituciones tenían a la vez una política y una implementación detectable a nivel de curso. El profesorado no tanto ignora la política como se queda solo con ella. La contramedida es el desarrollo profesional, los ejemplos resueltos y el liderazgo distributivo, que Baroudi asocia a una mayor implicación del profesorado y apertura al cambio.

«Los estudiantes no la leerán.»

Responderán a ella de todos modos, que es el hecho más útil. Braun y Khafizov (2026) encuestaron a 1.809 estudiantes, 250 docentes y 62 miembros del personal administrativo de una universidad de formación docente y encontraron que los estudiantes informaban de una mayor intensidad y utilidad del uso de IA, mientras que el profesorado y el personal informaban de preocupaciones de integridad más fuertes. En su modelo agrupado, la utilidad percibida tuvo la asociación estandarizada más fuerte con la Trust (β = 0,402) y la claridad de la política institucional fue positiva pero más débil (β = 0,223); los estudiantes informaron de una mayor claridad percibida de la política que el profesorado. Son asociaciones transversales y autoinformadas, pero el orden advierte contra tratar una política bien redactada como un instrumento de construcción de confianza por sí sola. Ogbo et al. (2026) modelan el uso de IA por parte del estudiantado como un problema de coordinación en el que las normas de la cohorte, y no las reglas declaradas, gobiernan la conducta, y muestran transiciones por umbrales: la evaluación reflexiva debe recompensarse por encima de un nivel crítico antes de que el uso responsable desplace a la práctica oportunista, la recompensa debe ser proporcionada al esfuerzo que exige la reflexión, y la sensibilidad entre pares determina la velocidad de la cascada. Los estudiantes responden a las estructuras de evaluación y no a las proclamas, lo que respalda una gobernanza liderada por la pedagogía frente a la vigilancia. La OCDE añade que los chatbots de propósito general mejoran la calidad del resultado, pero que esa ventaja desaparece y a veces se invierte en los exámenes cuando se retira el acceso a la IA, con una caída de la implicación metacognitiva a medida que se delega el trabajo. Ponga el requisito en la evaluación calificada.

«No podemos vigilarla.»

No puede, y la evidencia dice que no tiene por qué. Ogbo et al. ofrecen el único resultado formal de este corpus: las proclamas de política por sí solas dejan intacta la práctica oportunista cuando los incentivos de evaluación están desalineados, así que la palanca es el diseño y no la detección. El factor medido más fuerte de Braun y Khafizov es la utilidad percibida, no la claridad de la política, así que una política que hace útil el uso responsable para el estudiantado llega más lejos que una que amenaza con la detección. Donde sí aplique, manténgalo estrecho y procedimental: usos prohibidos definidos, normas de declaración que los estudiantes puedan seguir, y las prácticas de revisión humana y evaluación oral que respaldó la mitad del panel Delphi. Su exposición real es la brecha de traslación, no la evasión del estudiantado: el 92% de los programas daba directrices explícitas mientras el 50% prohibía abiertamente la IA generativa, frente al 63% de las políticas institucionales que la fomentaban. La inconsistencia con la que se topan los estudiantes está entre su política y sus propios cursos.

Cuando la aplicación falla, se trata más a menudo de un problema de evidencia que de detección, y ahí es donde reside la exposición institucional. Munoz et al. (2026), al documentar expedientes reales de acusaciones, encontraron una base probatoria más delgada de lo que la política implica: los rastros registrados por el sistema existen solo en la evaluación supervisada, la evidencia de proceso (borradores, reuniones de supervisión, presentaciones) existe solo donde esas prácticas ya eran obligatorias, y la justicia natural exige informar al estudiante de la acusación y darle la oportunidad de responder antes de cualquier determinación. El resultado de un detector no puede sustituir eso: Hadra et al. (2026) midieron una precisión de 0,69 y 0,61 para dos herramientas comerciales ampliamente usadas, ambas fallando en texto híbrido humano-IA y con un riesgo límite de clasificación errónea para la escritura de estudiantes de inglés como lengua extranjera, y Bassett et al. muestran que ningún umbral resuelve el equilibrio entre señalar trabajo honesto y pasar por alto un uso encubierto. Un hallazgo que se apoya en una puntuación que nadie puede interrogar es el caso que genera la apelación, la queja y, ocasionalmente, la reclamación. Escriba el estándar de evidencia en la política, prohíba la evidencia de detectores como prueba única y vincule el procedimiento a las obligaciones sobre Legal Issues and Risks.

Qué no puede decirle aún la evidencia

Este corpus no contiene ningún estudio que mida si la política de IA de una institución cambió la conducta del estudiantado, la práctica del personal o los resultados de aprendizaje. Lo que existe es descriptivo: Manikonda y Outlaw encuentran un lenguaje de política débil y desalineado; Ashiq documenta la deriva de políticas; Baroudi nombra la ausencia de evidencia longitudinal y causal como una laguna. Eldredge et al. advierten de que analizar solo documentos públicos crea un sesgo de visibilidad, de modo que la ausencia de lenguaje sobre privacidad o equidad es un hallazgo sobre la orientación publicada y no sobre la práctica. Tran, Liu y Nguyen (2026) revisaron 65 artículos con revisión por pares sobre IA y aprendizaje socioemocional y encontraron que casi tres cuartas partes no mencionaban en absoluto implicaciones de política, y que la minoría que sí lo hacía carecía en su mayoría del detalle específico por actor (quién debería actuar, sobre qué, por qué, cuándo y cómo) que necesita la formulación real de políticas. Trate la laguna como una razón para instrumentar su propia política, no para esperar.

La postura defendible es que la política no es el entregable; el mecanismo lo es. Publique disposiciones vinculantes donde quiera decirlas, dé al documento un responsable con nombre y una revisión programada, tradúzcalo en apoyo a nivel de curso, sitúe las obligaciones de cumplimiento donde los estudiantes las encontrarán, financie juntas la capacidad del personal y el acceso, y adjunte un plan de evaluación: nadie puede afirmar que la política mejoró algo hasta que lo mida.

Qué hacer esta semana

• Cuente sus verbos modales. Busque en el borrador «podría» y «puede», reescriba cada caso donde quiera decir «debe» o «prohibido», y defina explícitamente el plagio y los usos prohibidos.
• Nombre un responsable y una fecha. Un comité de gobernanza permanente, un ciclo de revisión programado, un patrocinador ejecutivo con nombre y una línea que asigne la responsabilidad de seguir los avances externos.
• Agende la conversación sobre las capas. Reúna a los responsables departamentales y a un comité con profesorado y estudiantes, y decida qué disposiciones son de toda la universidad y cuáles redacta el departamento.
• Escriba las disposiciones que faltan. Las adaptaciones, la accesibilidad, los supuestos sobre dispositivos y conectividad y la cobertura de idiomas pertenecen a la regla que exige el uso de IA; después nombre dónde residen las obligaciones de FERPA, GDPR, HIPAA, IRB y de integridad en la investigación.
• Pida la cifra de traslación. Trate una respuesta débil como un fallo de apoyo y empareje las restricciones con ejemplos resueltos.
• Cambie una evaluación y una pregunta de evaluación. Integre la reflexión sobre el uso de la IA en el trabajo calificado con un nivel proporcionado al esfuerzo que exige, y después declare qué va a medir, cuándo y quién asume el hallazgo.

Para la contraparte a nivel de curso de este trabajo, véase redactar una política de IA de curso y comunicarla al estudiantado. La base de investigación se encuentra en la investigación sobre gobernanza institucional, el marco Delphi global y las auditorías de políticas a nivel de programa; véanse Administrators y Change Management para las dimensiones de liderazgo e implementación. Educational AI Policy recopila la literatura sectorial, y AI Governance cubre cómo se distribuyen la autoridad y la rendición de cuentas.