¿En qué estadio está su universidad?

Antes de adoptar un modelo, una universidad necesita saber dónde está parada, y casi ninguna lo sabe con precisión. La pregunta «¿en qué punto estamos con la inteligencia artificial?» suele responderse con impresiones —«vamos bien», «estamos atrasados»— que no orientan ninguna decisión. El diagnóstico institucional de SinergIA existe para sustituir esas impresiones por una lectura situada. No es un examen que se aprueba o se reprueba, ni una escala lineal de progreso obligatorio: es una tipología de siete estadios que permite a cada universidad situar su estado de madurez y, sobre todo, formular una hoja de ruta realista en lugar de aspirar a implementarlo todo de golpe y abandonarlo a los seis meses.

La pregunta del capítulo es operativa: ¿cómo diagnostica una universidad en qué estadio de madurez se encuentra, qué indicadores definen cada estadio, y cómo se traduce el diagnóstico a una hoja de ruta? Sostengo que el diagnóstico con estadios diferenciados es una decisión arquitectónica que resuelve un problema concreto: la pretensión de implementar el modelo completo de una vez, en universidades sin condiciones para sostenerla, que termina en abandono. Una universidad puede estar, además, en estadios distintos en dimensiones distintas; lo que el diagnóstico produce es un patrón reconocible, no una calificación agregada. Desarrollo los siete estadios, los indicadores que los definen, el porcentaje de personal en la banda de iteracción avanzada como indicador central, el Shadow AI institucional como indicador inverso, los modos de diagnóstico, y la traducción a hoja de ruta.

16.1Los siete estadios E0 a E6

Los siete estadios nombran trayectorias reconocibles, no peldaños obligatorios. Los cuatro primeros describen la construcción progresiva del modelo; los tres superiores marcan su consolidación.

Insisto: una universidad rara vez está limpiamente en un solo estadio; lo normal es un patrón mixto, más avanzado en unas dimensiones que en otras.

16.2Indicadores por estadio

¿Cómo se verifica operativamente en qué estadio está una universidad? Con cinco indicadores principales articulados con las dimensiones del modelo. El primero es el estado de la AIUAT: si existe, con qué composición, qué criterios cualificadores cumple, con qué frecuencia opera, cómo articula con la dirección universitaria. El segundo es el número y la calidad de los AIA-i operativos: cuáles de los cinco operan, en qué estado de construcción, qué grado del criterio auténtico frente a wrapper satisfacen. El tercero es el estado de la política viva: si existe, con qué frecuencia se revisa, cómo documenta sus tensiones. El cuarto es el estado de las métricas relacionales: si se aplican efectivamente, no solo si se formularon. Y el quinto es la articulación con las dimensiones de alcance: en cuáles la institución opera con coherencia y en cuáles no.

La aplicación del diagnóstico opera con un instrumento específico que la AIUAT —o una instancia equivalente en los estadios iniciales— sostiene: la Matriz de Madurez SinergIA. Y aquí hay una diferencia de fondo: no es un cuestionario de cumplimiento elemento a elemento, sino una matriz operativa que articula los cinco indicadores y se apoya en la matriz de cinco por cinco del capítulo ocho, que la institución completa argumentativamente con evidencia. El diagnóstico es una operación sostenida con periodicidad anual, no un evento único. Lo que el modelo vuelve gobernable no es el estadio en un momento dado, sino la trayectoria reconstruible entre diagnósticos sucesivos: importa menos dónde se está que hacia dónde se mueve la institución.

16.3El porcentaje de personal en la banda de iteracción avanzada

Entre todos los indicadores, hay uno que el modelo eleva a métrica relacional central: el porcentaje de personal institucional que opera en la banda de iteracción avanzada, la franja superior de la escala de tres bandas. El indicador se aplica al cuerpo institucional completo según su rol —directivo, docente, investigador, administrativo— y, de manera específica, a quienes integran la AIUAT, donde operar en la banda avanzada es una condición de pertenencia y no un horizonte deseable. No se trata de medir cuánta gente usa la inteligencia artificial, sino cuánta la usa en el modo que el modelo llama iteracción: con ciclos gobernados, intervención significativa y articulación crítica.

El indicador es relacional, y no instrumental, por dos razones. La primera es que opera por la relación entre roles: la AIUAT en la banda avanzada como condición, el cuerpo directivo como horizonte de mediano plazo, el cuerpo docente con una distribución cuya trayectoria de desarrollo la institución se compromete a elevar. La segunda es que opera por trayectoria: el porcentaje aislado en un momento dice menos que su evolución entre revisiones sucesivas. Es central porque articula la formación sostenida con la operación del modelo: una universidad sin trayectoria de elevación de ese porcentaje no puede sostener una operación coherente en los estadios E3 y posteriores, por más AIA-i que haya construido. La tecnología puede comprarse; la competencia para iterar con ella solo se cultiva.

16.4El Shadow AI institucional como indicador diagnóstico

Hay un indicador que funciona al revés que los demás, y por eso es especialmente revelador: el Shadow AI institucional. Nombra el uso real de inteligencia artificial por parte de la comunidad universitaria fuera del marco regulatorio formal. Opera cuando la institución niega que el uso ocurre, o lo regula con criterios heredados de la era pre-generativa, y los actores operan en zona gris con criterios propios, sin guía institucional. El paralelo histórico ya lo vimos: Wikipedia en las bibliotecas universitarias entre 2001 y 2010, usada masivamente mientras la institución la prohibía en el papel.

Como indicador diagnóstico, el Shadow AI opera de modo inverso al uso visible gobernado. El estadio E0 corresponde a Shadow AI generalizado; el E6, a uso visible gobernado generalizado; los intermedios, a la transición progresiva del primero al segundo. La decisión de fondo del modelo —que es mejor un uso visible y gobernado que uno invisible y permitido por omisión— opera en cada estadio: la universidad que pasa de E1 a E2 debe reconocer el Shadow AI existente y trasladarlo a uso gobernado, no negarlo. Por eso el indicador exige evidencia operativa real —encuestas regulares, análisis de producción académica, observación de prácticas— y no la mera presunción de cumplimiento. Una institución que cree no tener Shadow AI casi siempre es una institución que no lo ha medido.

16.5Diagnóstico participativo frente a diagnóstico técnico

Precisemos quién hace el diagnóstico, porque de ello depende su valor. El diagnóstico técnico aislado lo realiza un equipo —con frecuencia la AIUAT— que recolecta datos y produce un informe de estadio. El diagnóstico participativo articulado opera con la AIUAT como articuladora, pero con participación operativa del cuerpo institucional en su producción: el cuerpo docente aporta evidencia de su área, los consejos académicos la articulación curricular, las áreas administrativas sus procesos, los estudiantes su trayectoria formativa, las áreas de investigación sus ciclos. No es una consulta a la institución; es producción institucional articulada.

El modelo opta por la modalidad participativa por tres razones. La primera es que el conocimiento sobre el propio funcionamiento está distribuido en la institución, no concentrado en un equipo, y el diagnóstico técnico aislado pierde acceso a esa distribución. La segunda es que el diagnóstico participativo es formativo en sí mismo: quienes participan desarrollan competencia de lectura institucional sobre la incorporación de la inteligencia artificial. Y la tercera es que produce compromiso con el resultado, condición de que la hoja de ruta posterior se sostenga. La participación no diluye la responsabilidad operativa de la AIUAT; la apoya con una base institucional más amplia. Un diagnóstico que solo unos pocos conocen difícilmente moviliza a toda una universidad.

16.6Del diagnóstico a la hoja de ruta

El diagnóstico no es un fin en sí mismo: existe para traducirse en una hoja de ruta. Esa traducción opera en cuatro pasos que la AIUAT sostiene con participación del cuerpo institucional. Primero, la lectura del patrón que emerge del diagnóstico, no solo el estadio agregado, sino las concentraciones, los vacíos y las articulaciones débiles en la matriz de cinco por cinco. Segundo, la identificación de las celdas o componentes con mayor rendimiento marginal para avanzar al estadio siguiente, sin pretender activarlo todo a la vez. Tercero, la formulación de objetivos para un horizonte de doce meses, hasta la próxima revisión anual, y de objetivos articulados para un horizonte de cuatro o cinco años, alineado con la planificación estratégica vigente. Y cuarto, la articulación con el presupuesto, la formación del cuerpo institucional y la revisión semestral.

La priorización opera con criterio operativo y no estético. Una universidad en E1 prioriza típicamente construir una AIUAT cualificada y su primer AIA-i de mayor rendimiento marginal, sea el AEI por la densidad de uso en docencia o el AIPA por la densidad en admisión, según su contexto. Una en E3 prioriza articular los AIA-i existentes entre sí y formalizar las métricas relacionales. Una en E5 prioriza la articulación internacional y la producción regular de la dimensión investigativa transversal. No hay un recetario universal: la priorización es específica de cada institución, y esa especificidad es justamente lo que distingue una hoja de ruta de una lista de buenos propósitos copiada de otra universidad.

Diagnosticar no es etiquetar a una universidad con una nota, sino darle un espejo en el que reconozca su patrón —lo que ya tiene, lo que le falta, lo que no articula— y, desde ahí, decidir su siguiente paso. Sin ese espejo, la adopción del modelo es a ciegas; con él, es una trayectoria que la institución puede reconstruir y defender.