Antes del primer algoritmo

Vanessa Median Armienta

La inteligencia artificial comienza a entrar en decisiones universitarias que van mucho más allá del aula: asignar tesis, distribuir profesores o gestionar recursos. Dos sistemas desarrollados en México y Ecuador muestran el potencial de automatizar estos procesos, pero también una pregunta incómoda: ¿qué ocurre con los criterios de equidad, rotación o inclusión que no están escritos en los datos? La eficiencia puede medirse; aquello que una universidad decide proteger debe definirse antes de automatizar.

Cada semestre llegan a la Escuela Superior de Cómputo (Escom) del Instituto Politécnico Nacional alrededor de 120 propuestas de tesis. Un comité académico lee el título y el resumen de cada una y decide a qué academias enviarla, para que ahí los profesores elijan cuáles revisar.

En 2025, un equipo de la propia escuela publicó un sistema que hace esa tarea con inteligencia artificial: compara cada propuesta con los programas de 116 materias y con la trayectoria de 260 profesores, y recomienda a dónde debería llegar.

Es un prototipo de investigación, no un sistema en operación. En la mayoría de los casos coincidió con el comité en una o dos academias. Pero el hallazgo más revelador está en otra parte del artículo.

Los autores explican que el comité reparte las tesis con una consideración de equidad: procura que todos los profesores tengan oportunidad de participar como revisores, aunque eso implique asignaciones que no responden al perfil más afín. El sistema no incorpora esa consideración.

Mide similitud temática. Por eso, advierten los propios autores, las academias de Ciencias Sociales y de Matemáticas y Física serían las menos recomendadas.

Nadie programó una instrucción para dejar fuera a esos profesores. Simplemente, la regla de equidad no forma parte de lo que el sistema calcula. El comité la aplica; el modelo no la conoce. Y lo que un algoritmo no conoce, no lo puede proteger.

La puerta que nadie vigila

El debate público sobre inteligencia artificial en las universidades se ha concentrado en el aula: el estudiante que entrega un ensayo escrito por un chatbot, el detector que se equivoca, el reglamento de integridad que llega tarde.

Mientras tanto, la IA también está entrando por otra puerta, la de las decisiones institucionales: quién imparte qué materia, quién revisa qué tesis, a quién se admite, cómo se asignan los recursos.

Xinyi Jiang y Zuraidah Abdullah, de la Universidad de Malaya, publicaron en julio en Frontiers in Education una revisión sistemática de 27 estudios sobre IA en el gobierno universitario.

Encontraron que la adopción se concentra en funciones estratégicas, administrativas y de gestión de riesgos, y que la investigación mide, sobre todo, eficiencia operativa y precisión predictiva.

Cerca de dos terceras partes de los estudios reportan resultados de eficiencia; alrededor de un tercio aborda transparencia, rendición de cuentas o confianza, y muy pocos los miden de forma directa.

Su conclusión: la gobernanza de la propia IA (quién la supervisa, cómo se audita, ante quién responde) sigue poco desarrollada en la evidencia empírica.frontier

Es un mapeo de la literatura, no una medición del sector. Pero el patrón es elocuente: lo que se estudia es lo que se mide con facilidad. El ahorro de horas se cuenta solo. La equidad que se pierde en el camino no aparece en ningún tablero.

Validar por parecido

El segundo caso viene de Ecuador. En octubre de 2025, investigadores de la Universidad de Cuenca publicaron un sistema que recomienda qué profesor debe impartir cada materia.

Combina evaluaciones docentes históricas, competencias institucionales y los comentarios escritos de los estudiantes, que un modelo de lenguaje entrenado con millones de tuits en español clasifica como positivos, neutrales o negativos. Se probó en tres carreras de la Facultad de Ingeniería.

El equipo tomó precauciones serias: anonimizó los comentarios, separó los reportes de maltrato o discriminación para tratarlos por otra vía y publicó su código. La decisión final quedó en manos de los directores de carrera. Aun así, el método de validación revela el nudo de fondo.

El sistema se evaluó por cuánto se parecía a lo que los directores ya hacían: coincidió por completo en la mitad de las asignaciones de Computación y en apenas 7 por ciento de las de Telecomunicaciones. Los autores sostienen que las diferencias no deben leerse como fallas, sino como alternativas que el director quizá no había considerado.

Ambos sistemas, el mexicano y el ecuatoriano, se validan por parecido. Si coinciden con la decisión humana, la replican; si se apartan, puede ser un error o un hallazgo.

Ninguno de los dos artículos describe quién decide cuál de las dos cosas es, ni cómo se entera el profesor de que un modelo construyó un perfil sobre él. No es un reproche a los investigadores, que hicieron lo que les tocaba. Es una tarea que le corresponde a la institución, y que la tecnología no resuelve por sí sola.

México, antes del despliegue

El diagnóstico del Observatorio de la Anuies sobre 161 instituciones de educación superior ofrece un dato que conviene leer con cuidado: solo 16 implementan inteligencia artificial en su administración, 28 planean hacerlo y 117 no la usan. Podría interpretarse como rezago.

Es, más bien, una ventana. La mayoría de las instituciones mexicanas todavía puede escribir las reglas antes de que el primer sistema decida algo sobre una persona.

La UNAM ya dio un paso en esa dirección. En marzo creó su Consejo Coordinador de Inteligencia Artificial, instalado en mayo, y entre sus funciones le asignó establecer la política para actualizar y optimizar la administración universitaria mediante IA, así como fijar estándares éticos que garanticen dignidad, transparencia y equidad.

El propio acuerdo de creación justifica el uso administrativo de la IA en términos de optimizar tiempos y recursos. En la instalación, la secretaria de Desarrollo Institucional, Tamara Martínez Ruiz, advirtió que el debate no puede reducirse a productividad o automatización. Las dos lecturas conviven en la misma institución; las políticas que el Consejo emita mostrarán cuál prevalece.

Un artículo publicado a finales de septiembre en el European Journal of Law and Technology, de Mohammed Abdulbari, compara cómo Arabia Saudita y el Reino Unido gobiernan la IA en sus universidades y llega a una conclusión útil para nuestro caso: la eficacia depende menos del contenido de las reglas que de la calidad de la coordinación entre los niveles que las producen.

En un sistema donde buena parte de las universidades públicas son autónomas, esa coordinación ocurre, sobre todo, dentro de cada institución.

Tres decisiones antes del primer algoritmo

Primero, escribir las reglas que hoy son costumbre. Antes de automatizar cualquier asignación, documentar los criterios que los comités aplican aunque no figuren en ningún reglamento: la rotación, la equidad en la distribución de cargas, la atención a las áreas pequeñas. Un sistema solo hereda lo que encuentra escrito.

Segundo, definir qué cuenta como éxito. Si las únicas métricas son el ahorro de tiempo y el parecido con la decisión humana, se medirá eso y nada más. Una institución pública necesita indicadores sobre a quién favorece y a quién deja fuera cada recomendación.

Tercero, nombrar quién resuelve las diferencias. Cuando el algoritmo y el comité no coinciden, alguien con nombre y cargo tiene que decidir cuál prevalece y por qué, y la persona afectada tiene que poder saberlo.

La eficiencia se registra sola. Lo que una universidad decide proteger necesita que alguien lo escriba antes de que llegue el primer algoritmo.