¿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.

El borrador lleva circulando desde la primavera y cada frase operativa dice "puede". O un proveedor quiere que se firme una licencia de sitio antes de que acabe el trimestre y nadie en la llamada sabe decir a qué se ha comprometido la institución sobre los datos del estudiantado. O una alerta de un detector se ha convertido en una apelación, y la política que debía resolverla resulta que no dice nada sobre en qué pruebas puede basarse una acusación.

Lo que un comité puede defender es más estrecho de lo que intentan la mayoría de los borradores, y publicar es la parte más pequeña del trabajo. Cuatro cosas convierten un documento en una regla que funciona: un responsable ejecutivo con nombre y apellidos, una revisión programada, una vía de traducción hacia los cursos con alguien que rinda cuentas por ella, y un diseño de evaluación calificada que premie la conducta que usted está pidiendo. Añada una frase de alcance que diga qué obligaciones asume el documento y cuáles pertenecen a otra política, porque un solo documento que absorba protección de datos, ética de la investigación, regulación clínica y conducta académica será largo, nadie lo leerá y no se podrá hacer cumplir.

La versión breve

1. Declare qué gobierna el documento. Si es un instrumento de gestión de riesgos, dígalo, y deje el detalle pedagógico en manos del departamento.

2. Cuente los verbos modales. Cada "puede" donde usted quiere decir "debe" es una disposición que nadie puede hacer cumplir.

3. Nombre un responsable, un comité permanente y una fecha de revisión antes de publicar, no después de la primera apelación.

4. Deje escrito dónde viven las obligaciones de FERPA, GDPR, HIPAA, IRB e integridad de la investigación, y nombre la oficina responsable de cada una.

5. Financie la formación del personal y el acceso del estudiantado en la misma decisión presupuestaria. Cualquiera de las dos por separado produce una regla que parte de los estudiantes no puede seguir.

6. Pregunte cuántos cursos traducen la política de forma detectable y lea la respuesta como una métrica de apoyo y no como una métrica de cumplimiento.

Decida qué gobierna el documento

Antes de la redacción, el alcance. Manikonda y Outlaw (2026) rastrearon las políticas de IA de 149 universidades R1 y R2 de Estados Unidos y verificaron 130 políticas de nivel universitario en 34 estados. El registro es consultivo y no directivo: el 95% de las políticas obtuvo una puntuación negativa en claridad y fuerza, de modo que el lenguaje débil ("puede", "podría") domina sobre las directivas ("debe", "prohibido").

Lo que esos documentos priorizan dice para qué creían sus autores que servía el documento. Las políticas de nivel universitario cubren seguridad de los datos, mitigación de riesgos, compras y cumplimiento legal, con poca orientación pedagógica. Las políticas de nivel de escuela que existen se concentran en la docencia y en la alfabetización en IA. Solo ocho escuelas de negocios tenían una política propia, y esas diferían del marco de su institución en seis de los ocho casos.

El remedio que proponen los autores es una estructura por capas: una capa de gestión de riesgos para toda la universidad, políticas a nivel de departamento y comités interdepartamentales con profesorado y estudiantado. Adóptela y tendrá una frase de alcance que puede defender en el claustro. Este documento gestiona el riesgo institucional; las decisiones docentes corresponden al departamento que califica el trabajo. La estructura por capas también responde a la acusación de vaguedad sin producir 40 páginas.

Redacte disposiciones que obliguen, o quítelas

Mire qué publican los programas 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 de la salud acreditados por CAHIIM en Estados Unidos. Cuarenta (83%) publicaban al menos un documento relacionado con la IA. De la muestra analítica, 21 documentos (53%) eran directrices, 9 (23%) informativos y solo 7 (18%) políticas formales.

La temática era más estrecha de lo que sugiere el volumen. La integridad académica fue la palabra clave más frecuente (n = 139), por delante de citación (59), evaluación (50) y plagio (38). La declaración del uso de IA y la compra de trabajos aparecieron una vez cada una. HIPAA apareció cinco veces, FERPA once y los historiales clínicos electrónicos ninguna. El vocabulario de equidad estaba casi ausente: inclusión (n = 9), accesibilidad (n = 9), acceso equitativo (n = 2).

Eso es atención sin un compromiso vinculante detrás, y es el defecto más barato de corregir. Cuente sus verbos modales y escriba una consecuencia donde quiere que la haya. Defina el plagio y los usos prohibidos con palabras que un estudiante de primer año pueda aplicar. Después puntúe el resultado con el instrumento que construyeron Gutowski y Hurley (2025): cinco dimensiones con rúbricas explícitas, que cubren el grado de prohibición, el grado de permisividad, la integración educativa, la transparencia y la rendición de cuentas, y la profundidad. La mayoría de las instituciones de su sector adoptaron posiciones generalmente prohibitivas y a la vez se reservaron la discrecionalidad de cada docente. Ningún enfoque fue aceptado, y la claridad misma se trató como condición previa para una aplicación defendible. Sus recomendaciones son de procedimiento: directrices completas sea cual sea su postura, partes interesadas implicadas en la redacción, formación proactiva, gobernanza diseñada para adaptarse y ciclos de revisión.

Decida quién es su responsable y quién se sienta en el comité

Dos revisiones sitúan la debilidad en la capacidad y no en la intención. Ashiq (2026) sintetizó más de setenta fuentes británicas y encontró que solo una minoría de instituciones mantiene planes oficiales de gobernanza de la IA. Las lagunas en la planificación estratégica producen deriva de las políticas y cumplimiento performativo. La orientación nacional de la Office for Students y de Jisc ha sido criticada por falta de especificidad y de capacidad de aplicación. La inversión en formación del personal y en infraestructura se concentra en las instituciones intensivas en investigación, mientras que las instituciones centradas en la docencia se enfrentan a limitaciones de capacidad, lo que amplía una brecha digital. Baroudi (2026) revisó 19 fuentes y encontró que el 7% de las instituciones había creado puestos directivos superiores en IA frente al 49% que trataba la IA como prioridad estratégica. Los marcos políticos débiles y la infraestructura digital limitada alimentan esa brecha, sobre todo en el Sur Global.

La titularidad, los recursos y la revisión son donde tiene que ir el esfuerzo, así que fije la presidencia y la composición antes de empezar a redactar. Crompton et al. (2026) reunieron un panel Delphi de 22 países y lugares 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 humana y rendición de cuentas, y apoyo institucional e infraestructura. El panel también produjo un mecanismo de seis partes para mantener la política al día: un comité de gobernanza multidisciplinar (respaldado por más de la mitad del panel), ciclos de revisión programados (la mitad), desarrollo profesional, comunicación con todas las partes interesadas, evaluación de la eficacia y seguimiento de los avances externos.

Lea el marco como una lista de comprobación de cobertura y el mecanismo como un modelo operativo. La ponderación que hizo el propio panel es la advertencia. El uso ético y responsable fue mencionado por dos tercios de los panelistas y la privacidad por más de la mitad, mientras que el acceso equitativo solo reunió un tercio. Un proceso de consenso subpondera la equidad desde el principio, y su comité derivará en la misma dirección salvo que alguien sostenga ese punto.

Hay dos decisiones de composición que conviene tomar a propósito. Hingle y Johri (2026) hicieron que el estudiantado codiseñara 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 fuerte en lugar de depender de cada docente, y un papel en las decisiones sobre las reglas que gobiernan su propio aprendizaje. Eso aboga por que el estudiantado sea miembro del comité y no por una ronda de consulta. Baroudi encontró estilos de liderazgo empoderadores y distributivos asociados con un mayor compromiso del profesorado y mayor apertura al cambio, y documentó la maquinaria de gestión del cambio (el modelo de contagio de Valente, el marco de cinco etapas de Rieber y Williver) como apoyo a la adopción.

Tan et al. (2026) ofrecen un marco organizativo de seis dimensiones cuyas proposiciones los autores dejan explícitamente para validación empírica futura. Úselo para estructurar lo que cubre el documento y manténgalo fuera de la frase en la que usted afirma que algo funciona.

Coloque las obligaciones legales donde se puedan hacer cumplir

Cumplir la ley de base no es gobernanza ética de los datos. Varadaraju y Vijayakumar (2026) sostienen que la gobernanza de la analítica del aprendizaje en la educación superior ha seguido centrada en el cumplimiento, en cumplir FERPA y GDPR, y proponen el marco LEAGUE: legalidad, equidad, agencia, gobernanza, utilidad y ética desde el diseño, demostrado con un estudio de caso de alerta temprana. El panel Delphi clasificó de forma independiente la privacidad y la protección de datos como críticas para más de la mitad de sus miembros. El OECD Digital Education Outlook (2026) convierte el entorno propicio para una IA generativa fiable en su tercer pilar político, que abarca privacidad, seguridad, pruebas de sesgo y transparencia.

El corpus de informática de la salud muestra cómo se ve la disciplina de alcance cuando funciona. Esos programas apenas mencionaban HIPAA, FERPA ni las directrices del IRB y nunca mencionaron los historiales clínicos electrónicos, porque esas obligaciones viven en políticas de cumplimiento más amplias que ya tienen un responsable, un procedimiento y una sanción. Nombre dónde se sitúa cada obligación, nombre la oficina que la sostiene y exija al estudiantado cumplirla en el trabajo del curso y no en una nota al pie.

Ese párrafo también resuelve una cuestión de compras. Si las pruebas de sesgo y la transparencia son condiciones de un pilar y no aspiraciones, pertenecen a los términos de compra, y la política es el lugar para decirlo.

Cierre la brecha entre la política y los cursos

Esta es la decisión en la que fallan la mayoría de las políticas, y es medible desde ambos extremos.

Primero, la encuesta al profesorado. La encuesta AAC&U/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 el 48% decía que su institución había escrito directrices y el 35% que las había escrito su departamento. En cuanto a estructura, el 55% informó de un grupo de trabajo o 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 el 13% había adoptado la alfabetización en IA como resultado de aprendizaje de formación general. La muestra no es científica y los autores dicen que no es generalizable. La asimetría se mantiene de todos modos: las reglas con las que el estudiantado se encuentra de verdad las escribe el docente que tiene delante.

Después, el recuento de traducción. Ganguly et al. (2026) analizaron 116 políticas institucionales de IA generativa de 131 universidades R1 junto con 98 programas de asignaturas de ciencias de la computación de 54 de esas instituciones. 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 la IA generativa de plano, 40 (41%) permitían un uso parcial para actividades especificadas y 7 (7%) comunicaban fomento. Solo 47 de las 131 instituciones tenían a la vez una política institucional y una traducción detectable a nivel de curso.

Plantee esa pregunta a su comité en esos términos: ¿cuántos de nuestros cursos traducen este documento de forma detectable? Un número bajo es un fallo de apoyo, y el remedio son ejemplos resueltos, desarrollo del profesorado y apoyo a la evaluación publicados junto a la regla. Ese ecosistema de apoyo es lo que separa a unas instituciones de otras según Qian (2026), y es la diferencia entre una política que el estudiantado recibe y una política alrededor de la cual su docente improvisa.

Coates, Croucher y Calderon (2025) aportan el instrumento para el extremo de la rendición de cuentas: un marco de indicadores de integridad académica construido para los órganos de gobierno institucionales mediante revisiones de investigación, estudios de caso multiinstitucionales, prototipado y confirmación por expertos, junto con reformas de las arquitecturas de gobernanza, las personas y las tecnologías. Los indicadores permiten que un comité informe hacia arriba sin encargar otra revisión de la literatura.

Escriba el estándar de prueba antes de necesitarlo

Donde falla la aplicación, el fallo suele ser probatorio, y ahí es donde se sitúa la exposición institucional.

Munoz et al. (2026) analizaron expedientes reales de acusaciones de mala conducta con IA generativa. La base probatoria era más delgada de lo que implica la política. Los rastros de comportamiento registrados por el sistema existen solo en la evaluación supervisada. Las pruebas de proceso más débiles, es decir, borradores, reuniones de supervisión y presentaciones, existen solo donde esas prácticas ya eran rutina. La justicia natural exige que se informe al estudiante de la acusación y se le dé la oportunidad de responder antes de cualquier determinación, normalmente en una reunión de investigación o una entrevista ante un panel, y que lo que diga entre en el expediente probatorio.

La salida de un detector no puede sostener esa carga. Hadra et al. (2026) midieron una precisión de 0,69 y 0,61 en dos herramientas comerciales ampliamente usadas, ambas fallando con texto híbrido humano-IA y ambas con un riesgo límite de clasificación errónea en la escritura de estudiantes de inglés como lengua extranjera. Bassett et al. muestran que ningún umbral resuelve el equilibrio entre señalar trabajo honesto y pasar por alto un uso encubierto. Una conclusión que se apoya en una puntuación que nadie puede interrogar es el caso que genera la apelación, la queja y, de vez en cuando, la demanda.

Tres frases pertenecen al documento mismo: en qué pruebas puede basarse una conclusión, que la puntuación de un detector por sí sola no es esa prueba, y quién decide cuándo sigue adelante un caso. Ponga el procedimiento junto a las obligaciones reunidas en Cuestiones y riesgos legales.

Diga qué va a medir antes de publicar

Ningún estudio de este corpus mide 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 político débil y desalineado. Ashiq documenta la deriva. Baroudi nombra la ausencia de evidencia longitudinal y causal como una laguna. Eldredge et al. advierten de que analizar documentos públicos crea un sesgo de visibilidad, así que la ausencia de lenguaje sobre privacidad o equidad es un hallazgo sobre la orientación publicada y no sobre la práctica.

De ahí se siguen dos hábitos. Ate un plan de evaluación a la política: qué va a medir, cuándo y quién es responsable del hallazgo. Y cuando un colega cite la política de otra institución como prueba de que una medida funciona, compruebe si la afirmación trata de un documento o de un resultado. Tran, Liu y Nguyen (2026) revisaron 65 artículos revisados por pares sobre IA y aprendizaje socioemocional y encontraron que casi tres cuartas partes no mencionaban ninguna implicación política. De la minoría que sí lo hacía, la mayoría carecía del detalle específico por actor que necesita la formulación real de políticas: quién debería actuar, sobre qué, por qué, cuándo y cómo.

En qué se equivocan las instituciones sobre esto

Publicar es la meta. El panorama que cartografiaron Manikonda y Outlaw es amplio y superficial, de tono consultivo y escaso en los problemas que deciden si el uso de la IA sale bien. Un documento sin responsable y sin fecha de revisión es una nota de prensa con número de política.

La redacción vaga es la redacción segura. Es más segura para quien la firma y es lo más débil que se puede defender en una apelación. Gutowski y Hurley tratan la claridad como condición previa para una aplicación defendible, y el 95% de las políticas del registro R1 puntúa negativo en claridad.

La integridad académica es la parte difícil, así que cúbrala y lo demás puede esperar. La integridad es la disposición más fácil de escribir, y por eso domina los recuentos de palabras clave mientras el vocabulario de equidad, el acceso y las obligaciones sobre datos están casi ausentes. Las disposiciones que un código de integridad no alcanza incluyen compras, procedimiento de declaración, accesibilidad, formación del personal y las condiciones de evaluación bajo las cuales la integridad es alcanzable.

Un solo documento puede contener todas las obligaciones. Puede contenerlas y no hacer cumplir ninguna. HIPAA apareció cinco veces en los documentos sobre IA de 48 programas y los historiales clínicos electrónicos nunca, porque esas obligaciones ya pertenecen a la política de cumplimiento.

El profesorado lo seguirá en cuanto se publique. El 87% del profesorado había escrito sus propias reglas antes de que su institución publicara una. La contramedida es desarrollo profesional, ejemplos resueltos y liderazgo distributivo. Un correo de recordatorio no mueve nada.

El estudiantado ignora las políticas, así que la claridad se desperdicia con ellos. Braun y Khafizov (2026) encuestaron a 1.809 estudiantes, 250 docentes y 62 miembros del personal administrativo de una universidad de formación docente. El estudiantado informó de mayor intensidad y utilidad del uso de IA, mientras que el profesorado y el personal informaron de más preocupaciones por la integridad, y el estudiantado percibió más claridad en las políticas que el profesorado. Lo que los mueve es si la herramienta es lo bastante útil como para que valga la pena seguir una regla sobre ella.

Lo que le van a responder

"Ya tenemos una política de integridad académica." Es necesaria y no suficiente. Lo que la evidencia apoya es una división del trabajo: las reglas de conducta se quedan donde el proceso de integridad puede hacerlas cumplir, y la política de IA asume compras y seguridad de los datos, procedimiento de declaración, accesibilidad y acceso, formación del personal y las condiciones de evaluación bajo las cuales la integridad es alcanzable. La insistencia del panel Delphi en que el ser humano revise los productos significativos de IA generativa, y su preferencia por la evaluación centrada en el proceso y por la evaluación oral, no tienen cabida en un código de integridad.

"El profesorado lo ignorará." Algunos sí, y la razón rara vez es la voluntad. La evidencia de Ashiq es la capacidad. La de Baroudi es la estructura: el 7% de las instituciones había creado puestos directivos superiores en IA frente al 49% que trataba la IA como prioridad estratégica. La de Ganguly et al. es la traducción: 47 de 131 instituciones tenían a la vez una política y una implementación detectable a nivel de curso. Al profesorado se le está dejando solo con el documento.

"No podemos vigilarlo, así que la política es decorativa." No puede vigilarlo, y la evidencia dice que no hace falta. Ogbo et al. (2026) modelan el uso estudiantil de la IA como un problema de coordinación en el que las normas del grupo gobiernan la conducta, con efectos de umbral. La evaluación reflexiva tiene que premiarse por encima de un nivel crítico para que el uso responsable desplace la práctica oportunista, la recompensa tiene que ser proporcional al esfuerzo que exige la reflexión, y la sensibilidad entre pares determina la velocidad con que una norma se propaga. El estudiantado responde a las estructuras de evaluación y no a las proclamas. Con los datos transversales de autoinforme de Braun y Khafizov, la utilidad percibida es la asociación estandarizada más fuerte con la confianza (β = 0,402) frente a la claridad de la política institucional (β = 0,223). La OECD añade que los chatbots de propósito general mejoran la calidad del producto, que la ventaja desaparece y a veces se invierte en los exámenes cuando se retira el acceso a la IA, y que el compromiso metacognitivo baja a medida que se delega el trabajo. Ponga el requisito en la evaluación calificada.

"El estudiantado no lo leerá." Aun así responden a la política, y la respuesta está moldeada por lo que su docente dice en la primera semana. Una política que solo ha leído un comité tiene un solo lector.

"No podemos financiar el apoyo que pide el marco." Entonces recorte el marco a lo que puede financiar y dígalo en el documento. El panel situó el apoyo institucional y la infraestructura como el facilitador fundacional, y Adarkwah et al. (2026) analizaron 159 documentos de 30 universidades de alto rango en los diez países mejor situados en el Índice de Preparación en IA del FMI, cuatro de las cuales se excluyeron por no tener políticas accesibles públicamente, lo que dejó 26, y encontraron muchas disposiciones declarativas y no aseguradas operativamente. Un mandato para usar IA sin dispositivos, conectividad, adaptaciones ni formación es una obligación que la institución ha asignado y no puede sostener.

Qué hacer esta semana

1. Busque "puede" y "podría" en el borrador, reescriba cada aparición en la que quiera decir "debe" o "prohibido", y defina el plagio y los usos prohibidos con palabras que un estudiante de primer año pueda aplicar.

2. Nombre un responsable ejecutivo, un comité permanente con profesorado y estudiantado, y una fecha de revisión. Asigne el seguimiento de los avances externos a un rol con nombre.

3. Decida la estratificación: qué disposiciones son de toda la universidad, cuáles escribe el departamento y qué obligaciones pertenecen a las políticas de FERPA, GDPR, HIPAA, IRB e integridad de la investigación.

4. Escriba el estándar de prueba y la frase sobre detectores, y después lea su propio procedimiento de apelación a la luz de ambos.

5. Pida el número de traducción y empareje cualquier restricción nueva con un ejemplo resuelto y una fecha de formación.

Adónde ir después

¿Cómo redacto una política de IA para un curso y la comunico al estudiantado? es la contraparte de aula, donde el documento se convierte en una hoja de tarea y en una frase dicha en voz alta. La base de investigación está en la investigación sobre gobernanza institucional, el marco Delphi global y las auditorías de políticas a nivel de programa. Administración y gestión del cambio cubren las dimensiones de liderazgo e implementación, Política educativa sobre IA reúne la literatura del sector y gobernanza cubre cómo se distribuyen la autoridad y la rendición de cuentas. En el lado de la aplicación, Cuestiones y riesgos legales recoge las obligaciones que tiene que cumplir una conclusión de un detector.