Un día dentro de una universidad que no esperó

Entremos en una universidad que aprovecha hoy, a plenitud, lo que la inteligencia artificial ya permite. Importa la precisión desde la primera línea: no es una universidad del futuro ni una promesa de folleto. Es el retrato de lo que una institución podría hacer en este preciso momento si usara las capacidades que ya existen, que ya están desplegadas y que cualquiera puede verificar. Un estudiante de segundo año cierra una sesión con el acompañante epistémico de su curso y baja a la cafetería a discutir con dos compañeros lo que acaba de descubrir. Una investigadora termina una mañana de revisión de literatura asistida sobre miles de artículos y entra al seminario a defender, ante sus pares y sin asistencia alguna, la hipótesis que ha decidido sostener. En la administración, un agente institucional resuelve en horas, bajo supervisión, un proceso de varios pasos que antes tomaba semanas, y nadie ha perdido el empleo: el personal hace ahora el trabajo de juicio que la máquina no hace. La inteligencia artificial está en todas partes, y sin embargo lo que define a esa universidad sigue siendo profundamente humano.

La pregunta que organiza este capítulo vale la pena formularla con cuidado, porque de su formulación depende que el capítulo no se lea como lo que no es: ¿cómo operaría una universidad que aprovechara plenamente las capacidades de inteligencia artificial que ya existen hoy, y qué le exige eso respecto del perfil profesional con que gradúa a sus estudiantes? Defiendo una tesis que estructura todo el capítulo y que conviene anticipar. El escenario que describo no necesita apostar por ningún pronóstico: se construye enteramente sobre capacidades que ya están disponibles, documentadas y atribuibles a modelos y empresas concretas en mayo de 2026. Si tomo deliberadamente el supuesto más conservador imaginable —que la inteligencia artificial no avanzara ni un paso más desde hoy—, la conclusión del capítulo se sostiene igual, y por eso es difícil de refutar. Desarrollo el escenario en dos planos: un escenario base, construido solo con lo que ya existe bien aprovechado —que en 2026 incluye ya capacidades agénticas que hace un año eran promesa—, y un escenario ampliado, que proyecta la trayectoria a tres años. El segundo refuerza al primero; el primero no lo necesita, y es más amplio de lo que parecía.

5.1Qué clase de ejercicio es este: el escenario como banda, no como pronóstico

Precisemos de entrada qué tipo de objeto es este escenario, porque el campo está lleno de futurología sobre la inteligencia artificial en la universidad, y este capítulo no quiere sumarse a ella. Un escenario, en el sentido riguroso de la prospectiva, no es una predicción de lo que ocurrirá, sino una construcción argumentada de lo que podría ocurrir bajo supuestos explícitos. La diferencia importa: la predicción acierta o falla; el escenario orienta con independencia de si se cumple. Lo que aquí construyo es una banda con dos planos. El plano base reúne lo que la inteligencia artificial ya hace hoy de manera verificable, plenamente aprovechado por una institución que sepa usarlo. El plano ampliado proyecta esa trayectoria a un horizonte de tres años.

La decisión metodológica que sostiene el capítulo es trabajar primero, y sobre todo, con el plano base. No porque crea que la inteligencia artificial se detendrá —no lo creo, y casi nadie lo cree—, sino porque construir el argumento sobre el supuesto más conservador lo vuelve inatacable. Si el escenario base, hecho solo con lo disponible hoy, ya basta para justificar que la universidad debe organizar su incorporación de la inteligencia artificial, entonces el plano ampliado solo refuerza una conclusión ya ganada. Esta es una elección deliberada de honestidad intelectual: prefiero un argumento que se sostiene en el peor de los casos a uno que depende de acertar el porvenir. El plano ampliado, con sus fuentes y proyecciones, lo desarrollo en la sección 5.6, mostrando el rango entre lo que prometen las empresas y lo que conceden los escépticos, y argumentando desde el piso de ese rango.

5.2El piso del escenario: el presente que la universidad no ha aprovechado

Empiezo por lo más incómodo, que es también lo más sólido. El verdadero punto de partida no es lo que la inteligencia artificial podrá hacer, sino lo que ya hace y la universidad no ha aprovechado. La brecha decisiva no separa a la universidad de un futuro incierto: la separa de un presente que ya desbordó sus marcos. El Informe del Índice de Inteligencia Artificial de Stanford de 2026 documenta esta brecha con una crudeza que hay que mirar de frente: alrededor del noventa por ciento de los estudiantes de educación superior en Estados Unidos ya usa inteligencia artificial para tareas académicas, mientras que solo el seis por ciento del profesorado declara tener políticas claras sobre su uso. La distancia entre el comportamiento estudiantil y la respuesta institucional no es de diez o veinte puntos: es de decenas de puntos, y describe una institución que llegó tarde a su propio presente.

Esa subutilización tiene una causa concreta y medible: la mayoría de la comunidad universitaria no sabe lo que las herramientas que ya tiene a mano son capaces de hacer. El mismo informe de Stanford estima que el valor que la inteligencia artificial generativa entrega a los usuarios estadounidenses alcanzó cifras del orden de los ciento setenta mil millones de dólares anuales a comienzos de 2026, con un valor mediano por usuario que se triplicó entre 2025 y 2026. Y vale la pena aterrizarlo en lo cotidiano: un modelo de frontera cuesta hoy entre veinte y doscientos dólares al mes, y la versión gratuita que muchos estudiantes ya usan ejecuta tareas que hace dos años habrían parecido ciencia ficción. El problema, entonces, no es de acceso ni de costo: es de desconocimiento del potencial de lo que ya está pagado o disponible. Una universidad que ni siquiera explora lo que su herramienta actual permite no está regulando el futuro; está ignorando el presente.

5.3El escenario base: lo que ya existe, plenamente aprovechado

Veamos ahora, con nombres concretos, de qué capacidades hablamos, porque la fuerza del escenario base depende de que sean reales y verificables, no estiradas. En mayo de 2026, los modelos de frontera de varias empresas operan con ventanas de contexto de al menos un millón de tokens —es el caso de GPT-5.5 de OpenAI, Claude Opus 4.8 de Anthropic, Gemini 3.5 de Google, DeepSeek V4 y Qwen de Alibaba—, lo que significa que una sola consulta puede procesar repositorios completos de documentos, libros enteros u horas de material transcrito. Esto no es una proyección: es la configuración disponible hoy. Para una universidad, significa que la revisión de literatura sobre miles de artículos, la síntesis de un corpus normativo completo o el análisis de un archivo institucional entero dejaron de ser tareas de semanas.

La segunda capacidad real y poco aprovechada es el uso autónomo de computadora por agentes. Aquí la trayectoria es el dato más elocuente. El Índice de Stanford de 2026 documenta que los agentes de inteligencia artificial pasaron de resolver el doce por ciento de las tareas complejas de computadora en 2025 a cerca del sesenta y seis por ciento en 2026, cruzando en ese trayecto la línea base de desempeño humano, que se sitúa en torno al setenta y dos por ciento en el benchmark OSWorld. Modelos como Claude Opus 4.8 de Anthropic y GPT-5.5 de OpenAI ya operan en ese rango, con cifras verificables: Opus 4.8 alcanza el ochenta y cuatro por ciento en pruebas de uso autónomo de navegador. Un agente puede hoy navegar interfaces reales, completar formularios, operar hojas de cálculo y ejecutar procesos administrativos de varios pasos. Esto es exactamente el tipo de capacidad que la administración universitaria podría aprovechar para liberar al personal de las tareas repetitivas y devolverlo al trabajo de juicio.

A esto se suma, en 2026, una capacidad que hasta hace poco era proyección: la orquestación de subagentes en paralelo. Los modelos de frontera pueden hoy desplegar decenas o cientos de procesos simultáneos que se reparten una tarea grande, la ejecutan y verifican sus resultados antes de devolverla. Para una universidad, esto significa que tareas de escala institucional —migrar un sistema documental completo, analizar todo un archivo histórico, revisar un corpus normativo entero— dejan de requerir semanas de trabajo humano repetitivo. La capacidad existe hoy; lo que falta es la gobernanza que la encauce.

5.4Las funciones universitarias en el escenario base

Con esas capacidades reales sobre la mesa, el retrato de la apertura deja de ser aspiracional y se vuelve descriptivo de lo posible hoy. En la docencia, el acompañante epistémico de iteracción opera con el corpus de cada curso inyectado en su contexto, asiste al estudiante sin sustituir su trabajo, y registra el ciclo iteractivo por diseño. En la investigación, los dispositivos de revisión asistida procesan corpus bibliográficos completos y liberan al investigador para el trabajo que no se delega: formular la hipótesis, juzgar la evidencia, sostener la defensa. En la administración, los agentes ejecutan los procesos pautados de admisión, comunicación y gestión documental bajo supervisión humana de las decisiones críticas. Y en la extensión, los dispositivos traducen la producción académica a registros accesibles para las comunidades del territorio. Las cinco funciones se transforman, pero ninguna se deshumaniza: la inteligencia artificial absorbe lo delegable y devuelve a las personas lo que solo ellas hacen.

Distingamos dos grados de cambio en estas funciones, porque no todo lo que la inteligencia artificial toca lo transforma por igual. En un grado, la inteligencia artificial optimiza lo que la universidad ya hace: prepara materiales, ordena referencias, redacta borradores, clasifica solicitudes. Hace más rápido y barato lo mismo de siempre. En otro grado, altera la naturaleza del proceso: un agente que ejecuta de principio a fin un trámite de varios pasos, o un dispositivo que asiste el ciclo completo de revisión de literatura, no acelera una tarea, redistribuye quién hace qué y desplaza el trabajo humano hacia el juicio. La universidad que incorpora con un modelo distingue ambos grados, porque exigen gobernanza distinta: la optimización pide criterio de uso; la transformación pide rediseño del proceso y de las responsabilidades.

Vale la pena insistir en lo que esto tiene de verificable. Cada una de estas operaciones se apoya en capacidades documentadas en mayo de 2026, no en promesas. La universidad del escenario base no espera a que la inteligencia artificial mejore; aprovecha la que ya tiene. Y al hacerlo, descubre que el cuello de botella nunca fue tecnológico: era institucional y formativo. Lo que falta no son modelos más potentes, sino la AIUAT que gobierne su incorporación, los AIA-i que los articulen con el corpus propio y la formación que eleve a la comunidad a la banda de iteracción avanzada. El escenario base demuestra, así, la tesis del libro entero: la incorporación de la inteligencia artificial es un problema de modelo institucional, no de capacidad técnica.

5.5Lo que el escenario le exige al perfil profesional de egreso

Ahora bien, el escenario base no es un retrato neutral: interpela algo muy concreto que la universidad firmó. Cada programa académico declara públicamente unos resultados de aprendizaje y un perfil profesional de egreso, eso con lo que el estudiante efectivamente sale y que la institución se compromete, ante el estudiante y ante las agencias de calidad, a formar. La pregunta que el escenario vuelve ineludible es directa: ¿siguen siendo cumplibles, y siguen teniendo valor, los resultados de aprendizaje que un programa promete, cuando una parte de ellos describe exactamente lo que la inteligencia artificial ya hace hoy? El estudiante que se gradúa este año, portando el perfil que su programa le prometió, llega a un mundo profesional donde ese perfil se mide contra lo que la inteligencia artificial ejecuta. No es una pregunta sobre 2030: es una pregunta sobre la promesa institucional vigente.

Aquí cabe una distinción que evita el error de reducir el problema a un recorte de programas. No todo resultado de aprendizaje que la inteligencia artificial pueda ejecutar debe eliminarse del perfil de egreso, porque hay capacidades que el profesional debe seguir teniendo aunque la máquina las haga, precisamente para poder gobernarlas: nadie supervisa lo que no sabe hacer, ni detecta el error de un sistema en un dominio que no domina. El médico que no sabe diagnosticar no puede auditar un diagnóstico asistido. La pregunta fina, entonces, no es qué hace la inteligencia artificial para quitarlo del perfil, sino qué debe seguir sabiendo el egresado para gobernar lo que la inteligencia artificial hace en su profesión. Esa pregunta se responde con un criterio que mi modelo pedagógico EsGenIAl-Mente desarrolla y que el capítulo dieciocho presenta: el de las competencias no delegables, aquellas que sostienen el juicio humano sobre el trabajo asistido. El perfil de egreso no se vacía: se reorienta hacia lo que conserva valor cuando la inteligencia artificial hace el resto. Y esa reorientación es trabajo de la cocreación curricular que el capítulo trece desarrolla.

5.6El escenario ampliado: la trayectoria a tres años como horizonte abierto

Hasta aquí, todo el argumento se ha sostenido sobre el plano base, sin proyectar nada. Corresponde ahora nombrar el plano ampliado, y hacerlo con la misma honestidad con que el libro declara sus otros límites. El escenario ampliado proyecta la trayectoria de las capacidades de la inteligencia artificial a un horizonte de tres años, y se construye sobre tres fuentes que deben leerse de manera articulada: lo que los propios modelos declaran que alcanzarán, lo que sostienen los responsables de las empresas que los desarrollan, y lo que objetan los analistas escépticos. La inclusión de los escépticos no es un contrapeso decorativo, sino parte del método: dado que las empresas tienen un interés comercial evidente en proyectar capacidades, el escenario honesto no pide creer a los optimistas, sino mostrar el rango entre lo que prometen los más interesados y lo que conceden los más reticentes, y argumentar desde el piso de ese rango.

La banda de plausibilidad a tres años no se apoya en especulación, sino en la evolución de capacidades que ya muestran una trayectoria. En el techo que proyectan las empresas, los agentes operarían como colaboradores cognitivos sostenidos, capaces de llevar tareas de días bajo objetivos generales; el contexto absorbería la memoria institucional completa; el razonamiento asistido aceleraría el descubrimiento científico. En el piso que conceden los escépticos, la autonomía pierde fiabilidad en entornos ambiguos y depende de un andamiaje frágil; el contexto masivo no equivale a comprensión; los benchmarks saturados sobreestiman el progreso; y se acerca un posible muro de datos, el agotamiento del texto humano de alta calidad para entrenar, hacia el final de la década. La lectura prudente para la universidad no necesita decidir quién acierta: le basta con argumentar desde el piso. Aun si la inteligencia artificial avanzara mucho menos de lo que prometen sus desarrolladores, lo que ya hace hoy basta para exigir un modelo de incorporación.

La distinción entre optimización y transformación, que el escenario base ya introdujo, se vuelve más nítida en el horizonte ampliado. Lo que se acelera —preparar clases, resumir literatura, clasificar expedientes— no cambia la naturaleza de la universidad, solo su velocidad. Lo que se transforma sí la cambia: la evaluación, cuando una parte de lo que se evaluaba lo ejecuta la máquina; la investigación, cuando los agentes asumen tramos del ciclo bajo dirección humana; la administración, cuando los procesos de varios pasos se ejecutan de extremo a extremo bajo supervisión. La universidad que distingue ambos planos sabe dónde basta un criterio de uso y dónde hace falta rediseñar el proceso. La que no los distingue corre el riesgo de automatizar sin gobernar, que es la forma contemporánea de la subutilización.

Aquí aparece la prueba más exigente para el modelo: ¿resiste SinergIA el avance de las capacidades, o lo vuelve obsoleto? La respuesta es que el avance no erosiona el modelo, lo hace más necesario. Cuanto más capaces y autónomos son los modelos de frontera, más decisiva se vuelve la gobernanza que los encauza: un área institucional —la AIUAT— que regule identidad, datos, costos y seguridad; dispositivos situados y especializados en lugar de un asistente genérico; y la primacía del juicio humano sobre el trabajo asistido. El modelo SinergIA se dinamiza con los cambios precisamente porque no apostó a una capacidad concreta de la inteligencia artificial, sino a la forma de gobernarla sea cual sea su nivel. Los dispositivos institucionales no envejecen con cada nuevo modelo: se fortalecen, porque cada salto de capacidad aumenta lo que está en juego si la incorporación no se gobierna. Esta es la antifragilidad del modelo frente a su propio objeto: el horizonte se mueve, y el modelo está construido para moverse con él.

De todo lo anterior se sigue una consecuencia presente, no futura. La universidad que quiera estar bien posicionada ante ese horizonte no necesita acertar el pronóstico: necesita empezar a construir hoy lo que el modelo ya describe. Constituir el área institucional —la AIUAT— que gobierne la incorporación. Construir los primeros dispositivos, empezando por el del dominio académico. Elevar de forma sostenida la proporción de su comunidad que opera en la banda de iteracción avanzada, porque la tecnología se compra pero la competencia para iterar con ella solo se cultiva. Y formular una política viva que se revise al ritmo del cambio. Ninguna de estas decisiones depende de saber qué hará la inteligencia artificial en tres años; todas se justifican con lo que ya hace hoy. Esa es la diferencia entre prepararse y esperar.

Queda una capa del escenario que la universidad no controla pero que condiciona su horizonte: la infraestructura material de la inteligencia artificial. La frontera tecnológica descansa hoy sobre dos recursos desigualmente repartidos. En el diseño y la fabricación de procesadores avanzados, Estados Unidos mantiene una ventaja clara. En la infraestructura energética que esos procesadores exigen, la ventaja es de China, que ha desplegado capacidad eléctrica a un ritmo que el resto del mundo no iguala. La inteligencia artificial se ha vuelto, en palabras de un analista, un problema de electricidad tanto como de chips. Para el usuario final, sin embargo, la tendencia visible es convergente y favorable: los modelos son cada vez más capaces, más rápidos y más baratos, y esa triple intersección elimina las tres excusas tradicionales de la universidad para no incorporarlos —que no son lo bastante buenos, que son demasiado lentos, que son demasiado caros—. Otras dos variables, en cambio, quedan sin respuesta a corto plazo y conviene nombrarlas sin resolverlas: el costo ambiental de esta infraestructura, que crece con cada salto de capacidad, y la transparencia real de los modelos, que sus propias métricas no garantizan. Las implicaciones geopolíticas de este reparto material exceden el alcance de este libro y se abordarán en otro lugar.

Este escenario ampliado es, por naturaleza, móvil: las cifras y los nombres de modelos envejecen rápido, y por eso el libro los actualiza a través de su anexo vivo, con periodicidad semestral. Lo que no envejece es la estructura del argumento: la universidad debe gobernar su incorporación de la inteligencia artificial sea cual sea el nivel que esta alcance. Las cinco cargas argumentativas operan sobre esta proyección.

5.7SinergIA como metodología de transición hacia el escenario

Queda lo más importante en términos operativos, y es lo que distingue a este capítulo de un mero ejercicio de imaginación. El escenario, base o ampliado, es un horizonte; lo que SinergIA ofrece en el presente no es ese horizonte, sino una metodología de transición hacia él. La distinción es decisiva. El modelo no le pide a la universidad que sea, ya, la institución del escenario; le pide que organice su trayectoria hacia ella con coherencia reconstruible, sabiendo que el horizonte se irá ajustando con los modelos que vayan existiendo. Es una transición de horizonte móvil pero exigencia presente: la universidad no espera a tener certeza sobre el futuro para empezar, porque la certeza nunca llegará, pero tampoco improvisa, porque el modelo le da los criterios para avanzar con intención.

Y aquí cierra el argumento sobre sí mismo. Una universidad que no decide cómo incorporar la inteligencia artificial, a la espera de que el panorama se aclare, no está siendo prudente: está, por defecto operativo, regulando el pasado, como el capítulo diecinueve sostendrá en el cierre del libro. Porque el futuro con el que hay que iterar es, en buena parte, uno que ya está construido y cuyo potencial no se ha aprovechado. La inteligencia artificial que la universidad debe aprender a gobernar no es la que llegará en 2030: es, antes que nada, la que ya está aquí, a la espera de que la institución se decida a mirarla. Iterar con el futuro empieza, paradójicamente, por aprovechar a plenitud el presente.

El escenario de plenitud no es una universidad de ciencia ficción: es la universidad de hoy que por fin usa lo que ya tiene, gobernándolo con un modelo. Ese es el punto de partida realista de toda la arquitectura que sigue, y la razón por la que la transición no puede aplazarse a la espera de un futuro que, en lo esencial, ya comenzó.