La IA puede más de lo que la universidad le pide

Mientras un consejo académico delibera sobre si permitir o no el uso de inteligencia artificial en los trabajos de grado, los estudiantes que esperan afuera de la sala ya la están usando para redactarlos. La escena, repetida con variaciones en casi toda universidad, condensa un desajuste temporal que conviene nombrar sin eufemismos: la mayoría de nuestras instituciones opera con un retraso de comprensión de cerca de dos años respecto a las capacidades reales de la inteligencia artificial generativa que sus propios estudiantes ya manejan a diario. Ese retraso no es técnico ni presupuestario. Es un retraso de comprensión operativa, y produce decisiones institucionales formuladas para un escenario tecnológico que ya no existe.

En octubre de 2024 ocurrió algo que vale la pena leer con atención institucional. El Premio Nobel de Física reconoció a John Hopfield y Geoffrey Hinton por los fundamentos del aprendizaje automático con redes neuronales, y el de Química distinguió a David Baker, Demis Hassabis y John Jumper por el diseño computacional de proteínas y la predicción de su estructura. Predecir cómo se pliega una proteína era un problema abierto desde los años setenta; el sistema AlphaFold, presentado en 2020, lo resolvió con una exactitud antes inalcanzable, y para 2024 lo habían usado más de dos millones de investigadores en ciento noventa países. Lo que durante medio siglo tomaba años hoy toma minutos. El dato que importa para esta universidad no es el premio en sí, sino lo que revela: si la inteligencia artificial ya produce resultados científicos de primera magnitud, el desfase decisivo no está en lo que la tecnología puede hacer, sino en lo poco que la institución le pide.

El primer capítulo documentó la curva de capacidades de la inteligencia artificial generativa entre 2022 y 2026. Este capítulo traduce esa curva a operaciones concretas, observables hoy en una universidad, y no en un horizonte de cinco años. La pregunta que lo guía es deliberadamente concreta: ¿qué hace específicamente la inteligencia artificial generativa de frontera hoy en una universidad, y qué transformaciones operativas habilita ya, sin necesidad de esperar desarrollos futuros? El punto es que la distinción importante para una universidad no es la que separa lo que la inteligencia artificial puede hacer en abstracto de lo que no puede hacer, sino otra más exigente: la que separa lo que la inteligencia artificial hace de manera verificable hoy, cuando se la solicita bien —su potencial técnico verificable—, de lo que la institución podría sostener si organizara su incorporación con un modelo articulado —su consecuencia operativa probable—. Esa distinción opera como brújula de todo el capítulo: cada afirmación sobre lo que la IA hace queda anclada en evidencia disponible, y cada afirmación sobre lo que la universidad podría hacer queda marcada como hipótesis derivable, nunca como hecho consumado.

El capítulo cinco proyectará a 2030 lo que ya hoy se observa; aquí me limito a anclar con honestidad lo que se observa en el presente, función por función. Y el capítulo seis retomará las preocupaciones legítimas que este recorrido inevitablemente abre.

4.1La inteligencia artificial generativa en las cinco funciones universitarias

La transformación no llega con la misma intensidad a todas partes; opera de manera asimétrica según la función que toca. En la docencia, la inteligencia artificial generativa habilita la personalización de la retroalimentación a escala —cada estudiante puede recibir observaciones específicas sobre su propia producción—, el diseño curricular asistido —planes de clase, secuencias didácticas, evaluaciones— y la mediación de una tutoría sostenida más allá del aula. En la investigación, asiste la revisión sistemática de literatura, la exploración de hipótesis alternativas, el análisis preliminar de datos cualitativos y cuantitativos, y la producción de borradores que el investigador itera. En la administración, automatiza procesos de admisión, redacta comunicaciones estructuradas, asiste la planeación presupuestal y produce informes ejecutivos a partir de los datos institucionales.

En la extensión y la apropiación social del conocimiento, traduce la producción académica especializada a registros accesibles para comunidades específicas y permite generar con rapidez materiales formativos contextualizados. Y en la articulación con el medio externo, asiste el mapeo de necesidades empresariales, la formulación de propuestas conjuntas entre universidad y empresa, y la producción de materiales de proyección institucional. Sostengo que ninguna de estas cinco funciones puede gobernarse sin un modelo institucional articulado, y la razón es precisamente la que recorre el libro: la inteligencia artificial opera sobre las cinco a la vez, de modo que la respuesta institucional fragmentada —cada función defendiéndose por su cuenta— reproduce los fracasos que el capítulo dos documentó.

4.2La curva de capacidades verificable

Pongamos cifras sobre la mesa, porque la magnitud del fenómeno se discute mejor con datos que con impresiones. Los datos verificables al cierre de esta primera edición son los que registra el Anexo F del libro, que se actualiza cada semestre justamente porque la curva no se detiene. En abril de 2026, Claude Mythos Preview alcanzó el noventa y tres coma nueve por ciento en SWE-bench Verified, una prueba de ingeniería de software profesional, y el noventa y cuatro coma seis por ciento en GPQA Diamond, una prueba de ciencia de nivel de posgrado. En junio de 2026 esa capacidad salió de la vista previa: Anthropic la puso a disposición general como Claude Fable 5, su primer modelo de clase Mythos abierto al público, con salvaguardas que derivan las consultas de mayor riesgo hacia un modelo menos capaz. GPT-5.5 alcanzó el ochenta y ocho coma siete por ciento en esa misma prueba de ingeniería y el ochenta y cuatro coma nueve por ciento en GDPval, una prueba de trabajo profesional realista. Gemini 3.1 Pro alcanzó el noventa y cuatro coma tres por ciento en GPQA Diamond, operando con una ventana de contexto de un millón de unidades de texto. Y, en el plano del uso, el Anthropic Economic Index de marzo de 2026 documentó que el cuarenta y nueve por ciento de los empleos analizados ya tiene al menos una cuarta parte de sus tareas realizadas con la asistencia del modelo de IA, y que el uso colaborativo —aquel en que la inteligencia artificial complementa las capacidades del usuario en lugar de sustituirlas— aumentó respecto del informe anterior. Doy estos nombres y estas cifras a sabiendas de que envejecerán; el Anexo F existe precisamente para que el lector contraste la versión vigente, publicada en esgenial.io, con la que tiene en las manos.

La consecuencia inmediata para la universidad es estructural, y no admite rodeos: las pruebas de razonamiento técnico con que la universidad certifica el dominio profesional son superadas de manera sistemática por dispositivos al alcance de cualquier estudiante con una cuenta gratuita o de bajo costo. La pregunta institucional que importa no es si esto ocurre —ocurre, y es documentable—, sino qué certifica entonces la universidad. El capítulo tres ya respondió que la universidad puede certificar la iteracción gobernada con la inteligencia artificial; este capítulo añade el reverso del argumento: la capacidad de la IA contra la cual se itera es ya alta, y seguirá subiendo. La sección siguiente precisa, por eso, qué cuenta como afirmación verificable y qué cuenta como consecuencia derivable, porque de esa distinción depende la honestidad de todo lo demás.

4.3Lo que la IA hace y lo que la universidad podría hacer

Toda afirmación sobre inteligencia artificial en la universidad pertenece a uno de dos planos, y confundirlos es la fuente más común tanto de las promesas infundadas como del escepticismo paralizante. El modelo SinergIA los mantiene rigurosamente separados. El primer plano es el del potencial técnico verificable: lo que la inteligencia artificial generativa hace, en mayo de 2026, cuando se la solicita correctamente, según queda registrado en pruebas verificables y en estudios independientes. Este plano es factual: las cifras son las que son y los reportes son los que son, de modo que el desacuerdo razonable solo puede recaer sobre las metodologías específicas de medición, nunca sobre la existencia del fenómeno.

El segundo plano es el de la consecuencia operativa probable: lo que una universidad podría sostener si organizara su incorporación bajo un modelo articulado. Este plano no es factual sino derivable: opera por inferencia razonable a partir de patrones documentados de adopción tecnológica, y está condicionado por la trayectoria específica de cada institución, por la capacidad de su AIUAT, por la calidad del AIA-i que construya y por la madurez de su articulación con la empresa y el territorio. Afirmo que confundir ambos planos es el origen de dos errores simétricos: las promesas infundadas, cuando una consecuencia apenas probable se presenta como verificada, y la subestimación operativa, cuando un potencial técnico verificable se rebaja a mera hipótesis. El capítulo quince volverá sobre esta diferenciación al tratar las métricas relacionales del modelo, porque es ahí donde la distinción se vuelve instrumento de medición y no solo cautela retórica.

4.4El AIA-i en operación: la ilustración del AEI

Hasta aquí el argumento ha sido general; vale la pena aterrizarlo en un dispositivo concreto que ya opera, para que no quede como promesa. El AEI, el Acompañante Epistémico de Iteracción, es uno de los cinco AIA-i institucionales del modelo SinergIA, el que corresponde a la subdimensión académica. Opera en el laboratorio del proyecto EsGenIAl-Mente, desarrollado con el propósito explícito de validar empíricamente el dispositivo. El AEI articula tres operaciones a la vez: el acompañamiento epistémico al estudiante —las preguntas que el estudiante quizá no se está formulando, los marcos de comparación entre fuentes, la retroalimentación sobre la calidad argumentativa de su propia producción—; la iteracción gobernada —los ciclos sucesivos en los que la salida del modelo de IA es objeto de una intervención significativa y argumentada del estudiante—; y la trazabilidad del proceso completo, que permite verificarlo después.

Lo que hace que la operación del AEI sea verificable, y no una anécdota inspiradora, es la materialización institucional de la intervención significativa con sus tres elementos simultáneos: el manuscrito previo del estudiante, el ciclo iteractivo registrado y la defensa argumentada. El AEI no le entrega al estudiante un producto; le entrega un marco para que el estudiante produzca. La diferencia es categorial, no de grado. El capítulo once desarrollará el AIA-i en general, con un criterio explícito para discriminar un AIA-i auténtico de un mero wrapper trivial; aquí basta con dejar anclado que el dispositivo existe, opera, es verificable y funciona ya dentro de una de las cinco funciones universitarias, la docencia, bajo el modelo SinergIA.

4.5Lo que enseña Wikipedia en las bibliotecas universitarias

La historia reciente ofrece un ensayo general de lo que hoy ocurre con la inteligencia artificial, y vale la pena recordarlo porque su desenlace es instructivo. Wikipedia se fundó en enero de 2001. Las bibliotecas universitarias del mundo reaccionaron al principio con una desconfianza categórica: la fuente no era de pares, no era validable por los procesos académicos tradicionales y, por lo tanto, no debía ser ni citable ni consultable por los estudiantes en sus trabajos. La directriz operativa fue la prohibición o la restricción severa. Pero hacia 2010 la evidencia ya contradecía a las directrices: alrededor del ochenta por ciento de los estudiantes universitarios estadounidenses declaraba usar Wikipedia de manera regular como punto de entrada a sus investigaciones, incluso allí donde la institución lo prohibía formalmente. La biblioteca universitaria producía, sin nombrarlo, un fenómeno idéntico en estructura al Shadow AI institucional de hoy: un uso real que ocurría fuera de las directrices formales, mientras la institución negaba que ocurriera.

Hacia 2010, la mayoría de las bibliotecas universitarias del mundo había abandonado la prohibición y adoptado lo que el campo llamó alfabetización informacional: enseñar al estudiante a usar Wikipedia con criterio, en lugar de prohibirle usarla. El paralelo con la inteligencia artificial generativa de 2026 es estructuralmente análogo, con dos diferencias que el capítulo seis precisará. La primera es la velocidad: lo que con Wikipedia tomó cerca de diez años, con la IA está ocurriendo en cuatro. La segunda es la profundidad cognitiva del cambio: Wikipedia entregaba información, mientras que la inteligencia artificial generativa entrega articulación, algo mucho más cercano al núcleo mismo de la operación universitaria. La lección operativa, sin embargo, permanece intacta: prohibir no resuelve, no enseñar resuelve todavía menos, y solo gobernar enseña.

4.6La asimetría entre lo posible y lo gobernado

Llegamos así al desajuste con que abrió el capítulo, ahora enunciado como problema central. La asimetría entre lo que la IA hace y lo que la universidad gobierna es observable y, lo que es peor, crece. La encuesta sobre inteligencia artificial en la educación superior latinoamericana de 2026, elaborada por el Digital Education Council junto con el Tecnológico de Monterrey sobre más de treinta mil respuestas de veintinueve instituciones, documentó que el noventa y dos por ciento de los estudiantes ya usa inteligencia artificial, dos de cada tres al menos una vez por semana. Aunque la encuesta es latinoamericana y no abarca toda Iberoamérica, el patrón es difícilmente discutible. Las universidades, entretanto, han formulado en su mayoría directrices que regulan un uso de intensidad mucho menor que la real, y muchas lo han hecho con criterios heredados de la era pre-generativa: el énfasis en la detección, la restricción curso por curso, la sanción individual. El resultado es un Shadow AI institucional generalizado: la institución niega lo que ocurre, los estudiantes operan fuera de unas directrices que perciben desactualizadas, y los docentes quedan en una zona gris, sin guía institucional clara.

Sostengo que esta asimetría es un problema central y no una diferencia marginal que el tiempo resolverá por sí solo, y la razón es precisa: la institución que opera con una asimetría sostenida pierde la capacidad de gobernar lo que ya ocurre y, sobre todo, de aprender de ello. Cada año de asimetría sostenida es un año de aprendizaje institucional perdido, y ese aprendizaje no se recupera después. El capítulo cinco mostrará cómo se ve una universidad sin esa asimetría, operando con uso visible y gobernado; el capítulo seis precisará por qué el uso visible y gobernado es estructuralmente superior al uso invisible permitido por omisión. Que es mejor el uso visible y gobernado que el invisible y tolerado es uno de los principios estables del modelo SinergIA, y conviene tenerlo presente desde ahora.

Volvamos al consejo académico que deliberaba mientras los estudiantes ya usaban la herramienta afuera. El problema de esa escena no es que los estudiantes se adelanten; es que la institución debate en un plano y la realidad ocurre en otro. Mientras esa distancia se mantenga, la universidad no gobierna su presente: lo padece.