La Universitat Autònoma de Barcelona presenta este 23 de septiembre su Estrategia de Inteligencia Artificial para la docencia, un marco que busca ordenar cómo profesores y estudiantes utilizan herramientas generativas y otros sistemas de IA en los procesos de enseñanza y aprendizaje. La sesión se celebra en el Aula Magna de la Facultad de Derecho y está vinculada al posicionamiento institucional de la UAB sobre uso responsable de estas tecnologías.
La estrategia establece líneas de actuación para promover un uso responsable, ético y eficaz de la IA, junto con orientaciones didácticas y recursos dirigidos a la comunidad universitaria. El planteamiento responde a un cambio que ya se ha producido en la práctica: estudiantes y docentes utilizan asistentes de texto, búsqueda, programación y creación de materiales, mientras las universidades intentan adaptar evaluación, privacidad y reglas de autoría.
El interés del anuncio está en pasar de recomendaciones aisladas a una gobernanza institucional. Una universidad pública necesita ofrecer criterios comunes para que el uso de IA no dependa exclusivamente de cada asignatura o del conocimiento individual de cada profesor.
Una estrategia institucional
La UAB plantea un marco común que puede orientar facultades y centros con necesidades muy distintas. El objetivo no es imponer un único uso, sino ofrecer principios que permitan adaptar herramientas a cada disciplina.
Esta capa institucional reduce contradicciones y facilita que las decisiones sobre privacidad, evaluación o licencias se tomen de forma coordinada.
Uso responsable
La expresión implica conocer límites, verificar resultados y mantener la responsabilidad humana sobre el trabajo académico. Una salida generada por un modelo no debería aceptarse únicamente porque esté redactada con fluidez.
La formación debe enseñar a comprobar hechos, referencias y cálculos.
Uso ético
La ética puede traducirse en decisiones sobre atribución, sesgos, privacidad y transparencia. El alumnado necesita saber cuándo debe declarar que ha utilizado una herramienta y qué parte del trabajo sigue siendo propia.
Las reglas deben ser claras antes de una actividad evaluable.
Uso eficaz
La estrategia también pone el foco en utilidad. Incorporar IA no tiene sentido si no mejora aprendizaje, acceso a recursos o productividad docente.
Las herramientas deberían evaluarse por el problema que resuelven y no por su novedad.
Orientaciones didácticas
La UAB acompaña el posicionamiento con recomendaciones para integrar IA en docencia. Las guías pueden ayudar a diseñar actividades que permitan utilizar la tecnología sin eliminar el esfuerzo cognitivo necesario.
El profesor debe decidir qué competencia quiere evaluar antes de permitir o restringir una herramienta.
Diseñar actividades con IA permitida
En determinadas tareas, el estudiante puede utilizar un asistente para generar ideas o revisar un borrador. La evaluación puede centrarse entonces en la capacidad de justificar decisiones, verificar fuentes y mejorar el resultado.
La actividad debe indicar qué usos están permitidos y cómo documentarlos.
Actividades sin IA
También habrá situaciones donde sea necesario comprobar conocimiento o destreza sin asistencia. Exámenes presenciales, defensas orales o ejercicios controlados pueden seguir teniendo un papel relevante.
La restricción debe explicarse por el objetivo de aprendizaje y no únicamente como una prohibición general.
Evaluación por proceso
Los trabajos pueden incluir versiones intermedias, notas de investigación y una reflexión sobre cambios. Este enfoque dificulta que una entrega final generada automáticamente sustituya el aprendizaje.
También permite valorar pensamiento crítico y capacidad de revisión.
Defensa oral
Una presentación o conversación sobre el trabajo ayuda a comprobar comprensión. El alumno debe ser capaz de explicar conceptos, fuentes y decisiones aunque haya utilizado herramientas de IA.
La defensa no necesita aplicarse a todas las tareas, pero puede ser útil en trabajos relevantes.
Autoría académica
La universidad necesita distinguir asistencia técnica de generación sustancial de contenido. Corregir estilo, traducir o crear una estructura no plantea el mismo problema que entregar como propio un texto producido casi por completo por un modelo.
Las normas deberían incluir ejemplos por niveles de intervención.
Citación del uso de IA
Cuando sea relevante, el estudiante puede indicar herramienta, versión, fecha y finalidad. Esta transparencia permite al docente interpretar mejor el proceso.
La cita no convierte automáticamente cualquier uso en aceptable; debe ajustarse a las reglas de la actividad.
Fuentes inventadas
Los modelos generativos pueden producir referencias inexistentes o atribuciones incorrectas. Las actividades académicas deben exigir consultar la fuente original.
Una bibliografía no debería aceptarse sin verificar títulos, autores y documentos.
Privacidad
Docentes y estudiantes pueden verse tentados a subir trabajos, expedientes o datos de investigación a servicios externos. La estrategia debe indicar qué información no puede utilizarse en herramientas de consumo.
La minimización es especialmente importante cuando hay datos personales.
Datos de estudiantes
Los profesores no deberían introducir nombres, calificaciones o información sensible en sistemas no evaluados institucionalmente. Las herramientas autorizadas pueden ofrecer mejores garantías contractuales.
La universidad necesita mantener un inventario de servicios y condiciones.
Propiedad intelectual
Las herramientas plantean preguntas sobre materiales docentes, obras utilizadas en prompts y contenido generado. La estrategia puede ayudar a profesores a distinguir usos legítimos de situaciones que requieren permiso.
Las condiciones de cada proveedor también deben revisarse.
Materiales docentes
Un profesor puede utilizar IA para preparar preguntas, ejemplos o explicaciones. El contenido debe revisarse antes de llegar al aula.
La tecnología puede acelerar la preparación, pero no sustituye la responsabilidad académica sobre exactitud y adecuación.
Adaptación de niveles
Los asistentes pueden reformular textos para distintos niveles de dificultad. Esta función puede ser útil en clases con diversidad lingüística o de conocimientos.
El docente debe comprobar que la simplificación no elimina matices esenciales.
Accesibilidad
La IA puede generar subtítulos, descripciones o formatos alternativos. Estas funciones pueden mejorar acceso para personas con discapacidad.
Los resultados deben revisarse, especialmente en terminología técnica.
Traducción
En una universidad multilingüe, la traducción automática puede reducir barreras. La calidad cambia según idioma y especialidad.
Los documentos oficiales o evaluables necesitan revisión humana cuando un error tenga consecuencias.
Programación
Los asistentes de código pueden formar parte del aprendizaje informático. El reto es evitar que el alumno obtenga una solución sin comprenderla.
Las actividades pueden exigir explicar el código, probarlo y localizar errores introducidos por el modelo.
Matemáticas y cálculo
La IA puede proponer pasos incorrectos con apariencia convincente. El estudiante debe verificar con métodos formales y no limitarse a copiar una respuesta.
La evaluación puede valorar razonamiento además del resultado final.
Investigación
Los estudiantes pueden utilizar asistentes para localizar conceptos, pero la revisión bibliográfica debe apoyarse en bases y documentos reales. La IA puede orientar la búsqueda, no sustituir la lectura de la fuente.
Registrar el proceso facilita reproducibilidad.
Tesis y trabajos finales
Los TFG, TFM y tesis necesitan reglas específicas por su peso académico. La declaración de herramientas utilizadas puede formar parte de la metodología.
Los directores deben acordar expectativas antes de comenzar.
Detección de texto generado
Los detectores automáticos tienen limitaciones y pueden producir falsos positivos. La universidad debería evitar utilizarlos como única evidencia de una infracción.
La evaluación del proceso y la conversación con el estudiante ofrecen más contexto.
Integridad académica
La IA amplía herramientas disponibles, pero los principios de honestidad siguen siendo los mismos. Presentar trabajo ajeno como propio continúa siendo incompatible con la evaluación.
Las normas deben actualizar ejemplos sin perder claridad.
Formación del profesorado
Los docentes necesitan conocer herramientas, riesgos y posibilidades pedagógicas. La formación debe ser práctica y adaptada a disciplinas.
Un profesor de Derecho tendrá necesidades diferentes a uno de Ingeniería o Filología.
Formación del alumnado
La alfabetización en IA incluye formular preguntas, verificar, proteger datos y reconocer incertidumbre. No basta con saber utilizar una interfaz.
Estas competencias pueden integrarse de forma transversal en diferentes asignaturas.
Brecha digital
Algunas herramientas avanzadas requieren suscripciones. Si una actividad depende de ellas, la universidad debería garantizar acceso equivalente.
La evaluación no puede depender de la capacidad económica individual para pagar un servicio.
Herramientas institucionales
La UAB puede ofrecer recursos seleccionados o contratados con condiciones adecuadas. Esto reduce shadow AI y da a la comunidad alternativas que cumplen criterios comunes.
La lista debe revisarse cuando cambian modelos o términos.
Gobernanza
Una estrategia necesita responsables. La universidad puede crear un comité o estructura transversal que coordine docencia, tecnología, protección de datos y calidad.
Las decisiones deberían publicarse y actualizarse.
Inventario de proyectos
Facultades y servicios pueden estar probando soluciones diferentes. Un registro evita duplicidades y permite compartir resultados.
Los pilotos deberían indicar objetivo, responsable, duración y métricas.
Evaluación de riesgo
Un asistente voluntario para practicar idiomas no tiene el mismo impacto que una herramienta que influya en calificaciones. La universidad puede clasificar usos y aplicar controles proporcionales.
Esta lógica evita burocracia innecesaria en casos de bajo riesgo.
Supervisión humana
Cuando la IA apoye una decisión académica, la persona responsable debe poder revisar y corregir. No basta con validar de forma automática lo que propone el sistema.
La experiencia de Asturias sobre supervisión humana refleja el mismo principio en el sector público.
Protección de datos y universidades
El debate del G-9 de universidades públicas también ha situado privacidad y seguridad entre los requisitos para incorporar IA en gestión.
La coordinación del G-9 muestra que el problema afecta tanto a docencia como a administración.
Contratación de proveedores
La universidad debe revisar dónde se alojan datos, qué subencargados existen y cómo se exporta la información. El precio de la licencia es solo una parte de la decisión.
La salida y portabilidad deben quedar previstas.
Dependencia tecnológica
Diseñar una asignatura alrededor de una única plataforma puede crear un problema si cambia sus condiciones. Utilizar principios y tareas transferibles reduce esa dependencia.
Los materiales docentes deberían poder adaptarse a varias herramientas.
Modelos abiertos
Las alternativas open source pueden ofrecer más control en determinados escenarios, aunque requieren infraestructura y mantenimiento.
La estrategia europea de software abierto refuerza la importancia de evaluar estas opciones.
Calidad docente
El uso de IA debería medirse por resultados educativos. Encuestas, rendimiento, participación y calidad de trabajos pueden aportar evidencia.
La adopción no debería medirse únicamente por número de profesores que utilizan una herramienta.
Experimentación controlada
Los pilotos permiten probar una metodología en grupos pequeños antes de extenderla. Las condiciones deben documentarse para poder comparar.
Los resultados negativos también son útiles y deberían compartirse internamente.
Actualización continua
Las herramientas cambian con rapidez. La estrategia necesita revisiones periódicas y un canal para actualizar orientaciones sin rehacer todo el marco institucional.
Cada versión debería indicar fecha y cambios principales.
Fuente primaria
La Universitat Autònoma de Barcelona ha convocado el 23 de septiembre la presentación de su Estrategia de IA para la docencia, junto con su posicionamiento y orientaciones didácticas.
El reto será convertir los principios en prácticas coherentes en miles de actividades docentes. La estrategia será más útil cuanto mejor ayude a profesores y estudiantes a distinguir entre un uso que mejora el aprendizaje y otro que simplemente sustituye el trabajo intelectual.
IA y diseño universal del aprendizaje
La estrategia puede utilizar la IA para ofrecer materiales en formatos distintos, generar apoyos lingüísticos o adaptar ejemplos, siempre sin reducir las expectativas académicas. La accesibilidad debe incorporarse al diseño de la actividad y no quedar como corrección posterior.
Los resultados automáticos deben revisarse con especial cuidado cuando afectan a estudiantes que dependen de esos apoyos.
Repositorio institucional de buenas prácticas
La UAB puede documentar actividades que hayan funcionado bien, indicando asignatura, objetivo, herramienta, riesgos y forma de evaluación. Un repositorio permite que otros docentes reutilicen metodologías sin empezar desde cero.
Las fichas deberían incluir también experiencias que no funcionaron y las razones detectadas.
Coordinación con la gestión universitaria
La gobernanza académica no puede separarse completamente de la administrativa. El debate del G-9 sobre IA en gestión universitaria muestra que privacidad, contratación y seguridad afectan a ambos ámbitos.
Una política coordinada evita que una herramienta sea aceptada en un servicio y prohibida en otro sin una razón clara.
Métricas para revisar la estrategia
La universidad puede medir adopción, incidencias, reclamaciones, satisfacción y resultados de aprendizaje. Las cifras deberían segmentarse por tipo de uso y facultad para detectar diferencias.
Una revisión anual permitiría actualizar orientaciones y retirar prácticas que no aportan valor.
IA y diseño universal del aprendizaje
La estrategia puede utilizar la IA para ofrecer materiales en formatos distintos, generar apoyos lingüísticos o adaptar ejemplos, siempre sin reducir las expectativas académicas. La accesibilidad debe incorporarse al diseño de la actividad y no quedar como corrección posterior.
Los resultados automáticos deben revisarse con especial cuidado cuando afectan a estudiantes que dependen de esos apoyos.
Repositorio institucional de buenas prácticas
La UAB puede documentar actividades que hayan funcionado bien, indicando asignatura, objetivo, herramienta, riesgos y forma de evaluación. Un repositorio permite que otros docentes reutilicen metodologías sin empezar desde cero.
Las fichas deberían incluir también experiencias que no funcionaron y las razones detectadas.
Coordinación con la gestión universitaria
La gobernanza académica no puede separarse completamente de la administrativa. El debate del G-9 sobre IA en gestión universitaria muestra que privacidad, contratación y seguridad afectan a ambos ámbitos.
Una política coordinada evita que una herramienta sea aceptada en un servicio y prohibida en otro sin una razón clara.
Métricas para revisar la estrategia
La universidad puede medir adopción, incidencias, reclamaciones, satisfacción y resultados de aprendizaje. Las cifras deberían segmentarse por tipo de uso y facultad para detectar diferencias.
Una revisión anual permitiría actualizar orientaciones y retirar prácticas que no aportan valor.
Fotografía: Yan Krukau / Pexels.