La llegada de ChatGPT a la universidad no solo cambió cómo estudian los alumnos. También está alterando las notas. Según El País, una investigación con datos de medio millón de alumnos en 319 asignaturas de una universidad de Texas encontró que los sobresalientes aumentaron con fuerza desde la aparición de ChatGPT, especialmente en cursos con tareas de escritura y programación.
El dato no prueba que todos los estudiantes estén haciendo trampa, pero sí muestra un cambio en la evaluación. Si una tarea puede resolverse con IA sin que el estudiante demuestre comprensión, la calificación deja de medir lo que se supone que debía medir.
Ese es el problema de fondo. La discusión no debería quedarse en detectar quién usó ChatGPT, sino en revisar si los métodos de evaluación siguen teniendo sentido.
Inflación de notas y desplazamiento de tareas
El País recoge que el aumento de sobresalientes no se distribuye de forma uniforme. Los estudiantes que ya estaban en rangos medios o altos son quienes más parecen beneficiarse. La IA no necesariamente rescata al alumno que iba a desaprobar; más bien puede empujar hacia arriba trabajos que ya tenían una base suficiente.
El fenómeno se parece a una inflación de calificaciones. Las tareas parecen mejores, pero eso no significa que el aprendizaje haya mejorado al mismo ritmo.
El punto más delicado es lo que algunos investigadores llaman desplazamiento de tareas: la IA no ayuda al estudiante a pensar mejor, sino que hace la tarea por él. En ese caso, el producto final puede ser correcto, pero la competencia real no se desarrolló.
No es un problema solo de Estados Unidos
Aunque los estudios citados analizan universidades estadounidenses, el mecanismo es global. Si los estudiantes tienen acceso a modelos generativos y las asignaturas dependen de ensayos, informes, código o tareas para casa, el riesgo aparece en cualquier país.
En Perú y América Latina, la situación puede tener matices adicionales: diferencias de acceso a herramientas pagadas, brechas de conectividad, desigualdad en habilidades digitales y políticas institucionales todavía inmaduras.
Una universidad que ignore el tema terminará evaluando de forma desigual. Algunos estudiantes usarán IA de manera intensiva, otros no tendrán acceso o no sabrán usarla bien, y otros quedarán atrapados entre normas poco claras.
Detectores de IA: una salida débil
La reacción rápida de muchas instituciones ha sido buscar detectores de texto generado por IA. Esa respuesta es insuficiente. Los detectores fallan, pueden marcar falsos positivos y generan conflictos difíciles de resolver. Además, a medida que los modelos mejoran y los estudiantes editan resultados, la detección se vuelve menos confiable.
Depender de detectores traslada el problema a una carrera técnica que las universidades probablemente no ganen. La solución debe estar antes: en el diseño de evaluación.
Cómo debería cambiar la evaluación
El País recoge propuestas de investigadores que apuntan a tres caminos: espacios supervisados cuando se necesita verificar desempeño individual, reglas claras sobre usos permitidos de IA y rediseño de tareas para incorporar o limitar la herramienta según el objetivo del curso.
Eso implica que no existe una política única. En algunos cursos, usar IA puede ser parte del aprendizaje. En otros, debe restringirse porque la tarea busca medir habilidades básicas.
Una evaluación más robusta puede combinar:
- defensa oral del trabajo;
- bitácoras de proceso;
- entregas parciales;
- ejercicios presenciales;
- preguntas aplicadas a contexto local;
- revisión de decisiones tomadas durante el trabajo;
- uso declarado de IA con justificación.
La clave es evaluar proceso, criterio y comprensión, no solo el producto final.
El dilema ético para estudiantes
El uso de IA también crea una trampa personal. Un estudiante puede obtener mejores notas a corto plazo, pero perder la oportunidad de desarrollar habilidades que necesitará después.
Esto es especialmente grave en programación, escritura, análisis y pensamiento crítico. Si la IA hace el esfuerzo cognitivo principal, el alumno puede aprobar sin aprender lo suficiente para enfrentar problemas nuevos.
El reto educativo es explicar ese costo. No basta con amenazar con sanciones. Hay que mostrar que delegar demasiado pronto reduce autonomía intelectual.
Qué pueden aprender las empresas
El problema universitario también aplica al trabajo. Una empresa puede recibir reportes, presentaciones o código generados con IA que se ven profesionales, pero que no reflejan comprensión real. Si la organización evalúa solo el resultado superficial, puede tomar malas decisiones.
Por eso, en entornos laborales también conviene pedir trazabilidad: fuentes usadas, supuestos, límites, decisiones descartadas y validación humana. La IA puede acelerar producción, pero no debe esconder la falta de criterio.
Lectura crítica
ChatGPT no creó todos los problemas de evaluación universitaria. La inflación de notas ya existía. Lo nuevo es la escala y facilidad con que una herramienta puede producir trabajos aceptables sin aprendizaje equivalente.
La respuesta no debería ser nostalgia por exámenes antiguos ni adopción acrítica de IA. Las universidades necesitan rediseñar evaluación según competencias reales. Algunas tareas deberán hacerse en condiciones supervisadas. Otras deberán incorporar IA explícitamente. Lo que ya no funciona es fingir que nada cambió.
Fuente original: El Pais.
