Adoptar sin mirar: la universidad salta de la prohibición a la integración acrítica

Hace tres años, la reacción institucional dominante ante ChatGPT fue el pánico defensivo: bloquear el acceso desde las redes del campus, redactar cláusulas de deshonestidad académica, amenazar con sanciones. Hoy el péndulo se movió hasta el extremo opuesto. Las mismas universidades que prohibían la herramienta ahora firman convenios con proveedores, compran licencias corporativas, lanzan certificados de “diseño instruccional con IA” y hablan de la integración como si fuera un imperativo civilizatorio antes que una decisión que admite escrutinio. Lo que no cambió entre la prohibición y la adopción es lo que debería preocuparnos: en ninguno de los dos momentos la institución se detuvo a evaluar los costos reales de aquello que primero temió y luego abrazó.

El problema no es que las universidades adopten IA. El problema es cómo adoptan: saltando por encima del trabajo crítico que su propia misión les exige. Una institución que existe para producir juicio informado está terciarizando ese juicio a los mismos vendedores cuyos productos debería examinar. Y lo hace mientras la evidencia de daños —sesgo racial en los detectores, opacidad en las herramientas gratuitas, dependencia estructural de plataformas que no rinden cuentas— se acumula a plena vista. Este ensayo argumenta que la adopción acrítica no es un paso adelante respecto de la prohibición reactiva: es la misma abdicación de responsabilidad institucional con una sonrisa distinta.

La ficción de las políticas de cuatro categorías

El primer artefacto de la adopción acrítica es la política de uso que casi todas las universidades han terminado escribiendo. La forma canónica divide los usos de IA en categorías discretas —prohibido, permitido con atribución, permitido libremente, requerido— y las asigna curso por curso o tarea por tarea. Es una arquitectura ordenada, administrable, y profundamente ficticia.

Es ficticia porque los usos de la IA no son discretos. Un estudiante que usa un modelo de lenguaje para “corregir gramática” —categoría casi siempre permitida— puede recibir de vuelta un texto reescrito en su estructura argumental, no solo en su ortografía. Otro que lo usa para “generar ideas” —zona gris— puede terminar transcribiendo párrafos completos. La frontera entre asistencia y sustitución no vive en la herramienta; vive en el uso, y el uso es un continuo. García Canclini describió con precisión el fenómeno de fondo cuando observó que ya no buscamos información sino que “googleamos”, que “confiamos cada vez más en los algoritmos de macrodatos” y concebimos el universo “como un flujo de datos” y no “como el patio de juegos de individuos autónomos” Ciudadanos reemplazados por algoritmos. La política de cuatro categorías pretende trazar líneas nítidas sobre un terreno que la propia tecnología diseñó para ser continuo.

Pero el problema más grave no es conceptual sino operativo: una política que distingue usos permitidos de prohibidos necesita un mecanismo de enforcement, y ese mecanismo son los detectores de IA. Aquí es donde la ficción se vuelve daño concreto. Los detectores de texto generado por IA han demostrado, repetidamente, sesgos sistemáticos contra escritores cuya primera lengua no es el inglés. Un estudio de Stanford halló que los detectores clasificaban erróneamente como “generado por IA” más de la mitad de los ensayos escritos por hablantes no nativos, mientras que casi nunca cometían ese error con textos de hablantes nativos GPT detectors are biased against non-native English writers. La razón es mecánica: los detectores miden “perplejidad” —qué tan predecible es un texto— y la escritura de quien aprendió el idioma tiende a ser más simple y predecible, exactamente el rasgo que el detector interpreta como firma de máquina.

Traduzcamos esto a la realidad latinoamericana. Una universidad en Guatemala, Costa Rica o Argentina que importe un detector entrenado sobre corpus de inglés estadounidense y lo aplique a estudiantes que escriben en español —o peor, a estudiantes indígenas que escriben en su segunda o tercera lengua— está desplegando un instrumento cuyo sesgo no fue medido en su contexto y casi con certeza se agrava en él. La institución compra la herramienta, la política la exige, y el estudiante más vulnerable paga el precio de una acusación falsa que deberá refutar sin poder inspeccionar el algoritmo que lo acusó. Ruha Benjamin llamó a este tipo de dispositivo el “New Jim Code”: tecnologías que se presentan como neutrales y objetivas mientras codifican y amplifican jerarquías existentes bajo una capa de aparente imparcialidad técnica Race After Technology. El detector de IA no es una excepción a esa lógica; es un caso de manual.

Lo gratuito nunca fue gratuito

El segundo pilar de la adopción acrítica es la seducción de lo gratuito. Cuando un proveedor ofrece acceso sin costo a profesores y estudiantes, la universidad lo lee como un regalo y como un ahorro presupuestario. Es un error de contabilidad. Lo que no se paga en dinero se paga en otras monedas: datos, privacidad, dependencia y la aceptación silenciosa de sesgos no auditados.

La primera moneda es la información. Cada consulta que un estudiante o un docente hace a una herramienta gratuita alimenta el modelo del proveedor. Los trabajos de investigación en curso, los borradores de tesis, las preguntas que revelan lo que una comunidad académica no sabe todavía —todo eso se convierte en insumo para una empresa que no rinde cuentas a esa comunidad. Shoshana Zuboff nombró esta lógica con precisión: el capitalismo de vigilancia reclama la experiencia humana como materia prima gratuita para traducirla en datos conductuales, muchos de los cuales se destinan a productos que predicen y modifican el comportamiento The Age of Surveillance Capitalism. La universidad que adopta la herramienta gratuita no está fuera de ese circuito; es uno de sus proveedores de materia prima, y encima uno particularmente rico, porque la producción intelectual es exactamente el tipo de dato que más valor tiene.

La segunda moneda es la dependencia de plataforma. Una institución que construye sus cursos, sus flujos de evaluación y sus expectativas pedagógicas alrededor de una herramienta gratuita queda expuesta al día en que esa herramienta deje de ser gratuita, cambie sus términos, o simplemente desaparezca. Este no es un riesgo hipotético: es el patrón conocido de toda infraestructura ofrecida a pérdida para capturar un mercado antes de monetizarlo. La universidad latinoamericana, con presupuestos más ajustados y menor poder de negociación, es precisamente la que menos puede permitirse quedar atrapada en ese modelo, y sin embargo es la más tentada a entrar por la puerta de lo gratuito.

Y la tercera moneda es el sesgo algorítmico que viaja escondido en el producto. Kate Crawford insiste en que las preguntas relevantes sobre cualquier sistema de IA no son las que la industria quiere que hagamos —sobre eficiencia, sobre capacidades— sino otras más incómodas: “¿A quién sirven estos sistemas? ¿Cuáles son las economías políticas de su construcción? ¿Y cuáles son las consecuencias planetarias más amplias?” The Atlas of AI - Power, Politics, and the Planetary Costs. Una herramienta gratuita llega sin ninguna de esas respuestas. La institución la despliega sin saber sobre qué datos fue entrenada, qué poblaciones subrepresenta, qué errores comete sistemáticamente y contra quién. Adoptarla es aceptar una caja negra en el corazón del proceso educativo, que es —o debería ser— el lugar donde precisamente se enseña a no aceptar cajas negras.

Los certificados como caballo de Troya

El tercer artefacto merece atención especial porque se disfraza de lo contrario de lo que es. Los certificados y credenciales de “diseño instruccional con IA” se presentan como formación crítica, como el antídoto profesional contra la adopción ingenua. En la práctica, muchos operan como dispositivos de normalización: enseñan a integrar la herramienta, no a interrogarla.

La estructura típica de estos programas es reveladora. Dedican la mayor parte de su contenido a cómo usar la IA —cómo escribir prompts, cómo generar rúbricas, cómo automatizar retroalimentación— y una fracción menor, a menudo simbólica, a los riesgos. El orden de las prioridades no es accidental: comunica que el uso es el destino y la crítica es una nota al pie. Un docente que completa uno de estos certificados sale sabiendo operar la herramienta y creyendo que ha reflexionado sobre ella, cuando lo que ha hecho es internalizar el marco del proveedor sobre lo que la herramienta es y para qué sirve.

Paulo Freire ofreció hace décadas el vocabulario para nombrar exactamente lo que falla aquí. La educación bancaria, escribió, deposita contenidos en el estudiante como recipiente pasivo, y esa pasividad es funcional al orden que la produce; la alternativa es una educación problematizadora que nombra el mundo para transformarlo Pedagogía del oprimido. Un certificado que entrena a docentes para operar una herramienta sin cuestionar sus supuestos es pedagogía bancaria aplicada a la propia formación docente: deposita competencias operativas en el profesor-recipiente y le ahorra el trabajo incómodo de preguntar quién construyó la herramienta, con qué intereses, y a costa de qué. La ironía es amarga: instituciones que enseñan pensamiento crítico como su producto central adoptan modelos de formación que suspenden ese mismo pensamiento en el momento en que más se necesita.

Esto no significa que toda credencial en IA sea sospechosa. Existe una diferencia real entre un programa que enseña a usar la herramienta y uno que enseña a evaluarla —a leer un reporte de sesgo, a exigir transparencia sobre datos de entrenamiento, a diseñar procesos de evaluación que no dependan de detectores fallidos. Pero esa diferencia rara vez es visible en el marketing del certificado, y la universidad que compra el paquete sin distinguirla está comprando normalización disfrazada de formación crítica.

Los costos que la región hereda sin haberlos generado

Hay un nivel más profundo de la adopción acrítica, y es el que conecta la decisión institucional con una economía política que la trasciende. Cuando una universidad latinoamericana adopta un modelo de IA, importa un artefacto cuyos costos de producción fueron pagados en otro lado —y cuyos costos de operación se pagarán, cada vez más, en el propio suelo de la región.

Los costos de producción son primero laborales. Kate Crawford documenta que el trabajo invisible que sostiene los sistemas de IA “toma muchas formas —trabajo de cadena de suministro, trabajo colaborativo bajo demanda y empleos tradicionales del sector servicios”, y que “existen formas explotadoras de trabajo en todas las etapas de la tubería de la IA”, desde la minería que extrae los materiales de la infraestructura hasta la anotación de datos que entrena los modelos The Atlas of AI - Power, Politics, and the Planetary Costs. Buena parte de ese trabajo de etiquetado ocurre en el Sur Global, incluyendo América Latina, bajo condiciones precarias que rara vez aparecen en el discurso de la “IA limpia y eficiente”. La investigación sobre las condiciones de los trabajadores que moderan contenido y etiquetan datos para las grandes plataformas ha mostrado ritmos extenuantes, exposición a material traumático y salarios que no reflejan el valor que generan Content moderators who scarred by graphic posts seek Kenya’s help. La universidad que adopta el modelo terminado se beneficia de ese trabajo sin verlo y sin pagarlo.

Los costos de operación son ambientales, y aquí la región no es solo espectadora sino sede. Los centros de datos que ejecutan los modelos consumen cantidades masivas de agua y electricidad. La investigación estima que el entrenamiento de modelos grandes y su operación posterior demandan volúmenes de agua para refrigeración que compiten directamente con el consumo humano en las regiones donde se instalan los centros The secret water footprint of AI technology. A medida que las grandes tecnológicas buscan territorios con energía barata y regulación laxa para instalar infraestructura, América Latina se convierte en destino atractivo —y en candidata a heredar un patrón que la región conoce demasiado bien: el de la industria extractiva que se lleva el valor y deja el pasivo ambiental.

Eduardo Galeano escribió que la división internacional del trabajo consiste en que unos países se especializan en ganar y otros en perder, y que nuestra comarca del mundo se especializó históricamente en perder Las venas abiertas de América Latina. La economía de la IA amenaza con reproducir esa geometría con una capa tecnológica nueva: los modelos se entrenan con valor extraído del Sur, se venden desde el Norte, y su operación descarga costos hídricos y energéticos de vuelta sobre comunidades que no participaron de la decisión ni negociaron sus términos. Cuando una universidad de la región adopta estos sistemas sin siquiera nombrar esta cadena, no es neutral respecto de ella: la ratifica.

Se dirá que una universidad individual no puede resolver la economía política global de la IA, y es cierto. Pero puede negarse a fingir que esa economía no existe. Puede exigir a los proveedores reportes de sostenibilidad y de condiciones laborales como condición de compra, del mismo modo que instituciones responsables ya lo hacen con otros insumos. Puede orientar su investigación hacia la documentación de estos costos en lugar de hacia su ocultamiento. La cuestión no es si una universidad puede cambiar el sistema sola, sino si va a usar el poco poder de compra y la mucha autoridad discursiva que tiene para nombrarlo o para taparlo.

El contraargumento honesto

Sería deshonesto no reconocer la fuerza del argumento contrario, que no es trivial. La posición pro-adopción sostiene, con razón, que prohibir la IA es fútil e injusto. Fútil, porque los estudiantes la usarán de todos modos y la prohibición solo garantiza que la usen mal, a escondidas, sin orientación. Injusto, porque una prohibición efectiva castiga desproporcionadamente a quienes no tienen la sofisticación para evadirla, mientras que los estudiantes de mayores recursos siempre encuentran la forma. Desde este ángulo, la integración no es una capitulación sino un acto de realismo pedagógico: si la herramienta existe y se usará, la universidad debe enseñar a usarla bien.

Hay verdad en esto, y una respuesta seria no puede descartarlo. El error de la prohibición reactiva fue real. Pero el argumento pro-adopción comete un salto ilegítimo: de “no debemos prohibir” no se sigue “debemos integrar acríticamente”. Entre la prohibición y la adopción sin escrutinio existe un espacio enorme —el espacio de la adopción crítica, deliberada, con condiciones— y es exactamente ese espacio el que la mayoría de las instituciones está saltándose. La alternativa a prohibir no es abrazar; es examinar antes de decidir, y decidir con condiciones que la institución pueda hacer cumplir.

El contraargumento tiene además un punto ciego revelador. Asume que “usar la herramienta bien” es una capacidad que la institución puede transmitir sin antes entender la herramienta. Pero no se puede enseñar a usar bien algo cuya construcción, sesgos y economía política se desconocen. La universidad que integra sin examinar no está enseñando a usar bien la IA; está enseñando a usarla sin preguntarse nada, que es precisamente lo que sus estudiantes ya hacen sin ayuda de nadie. El valor agregado de la institución —lo único que justifica que la mediación pase por ella— es el juicio crítico, y ese es exactamente el ingrediente que la adopción acrítica elimina.

Dos lentes latinoamericanas sobre la decisión institucional

Conviene mirar la decisión de adopción a través de dos de las lentes que esta publicación usa para leer la IA desde la región. La primera es la aplicabilidad. Los modelos que las universidades latinoamericanas adoptan fueron entrenados en contextos que no son el suyo: corpus en inglés, valores culturales del Norte, supuestos sobre lo que cuenta como escritura correcta o razonamiento válido que reflejan una tradición específica. Esto importa doblemente. Importa porque los costos de entrenamiento no se pagaron localmente —la región recibe el modelo terminado— pero los costos de operación sí caen sobre comunidades locales cuando la infraestructura se instala en su territorio. E importa porque la herramienta, calibrada para otro contexto, se aplica sobre poblaciones que no fueron consideradas en su diseño. El detector de IA sesgado contra hablantes no nativos de inglés GPT detectors are biased against non-native English writers es el ejemplo perfecto: una herramienta cuyo sesgo, apenas medido en su contexto de origen, se aplica sin más sobre estudiantes latinoamericanos cuyo perfil lingüístico maximiza exactamente el error que el instrumento comete. La aplicabilidad no es un detalle técnico; es la diferencia entre adoptar una herramienta que sirve a la comunidad y adoptar una que la clasifica erróneamente.

La segunda lente es la anticipación. La pregunta que la región debe hacerse no es solo qué pasa hoy sino hacia dónde apunta la trayectoria. Y la trayectoria, si nada cambia, es conocida. Sin regulación que exija transparencia sobre datos de entrenamiento, huella hídrica y condiciones laborales, América Latina se convertirá en receptora de costos externalizados —el vertedero de una economía cuyos beneficios se cobran en otro hemisferio. Los índices de preparación para la IA en la región muestran una franja amplia entre las estrategias nacionales relativamente desarrolladas y las incipientes: Argentina, con un Plan Nacional de Inteligencia Artificial y un índice regional de 67.5 sobre 100, ocupa un lugar distinto al de Guatemala, con 45.2 y una política todavía centrada en gobierno electrónico. Esa dispersión importa porque la regulación de la IA se construirá, o no se construirá, país por país, y la ausencia de marco es precisamente la condición que permite la externalización de costos. La universidad, aunque no legisle, es un actor con voz en ese debate: sus reportes de investigación, sus criterios de compra y su autoridad discursiva pueden anticipar el problema o pueden dejar que se materialice. La anticipación es la diferencia entre entrar al mercado de la IA con condiciones o entrar a él como territorio disponible.

Hay una tercera lente que asoma en el análisis y merece nombrarse: las alternativas. La adopción acrítica presenta la elección como binaria —esta plataforma gratuita o quedarse afuera— cuando el espacio de opciones es más ancho. Modelos más pequeños, entrenados o afinados localmente sobre corpus en español y en las lenguas de la región; cooperativas de anotación de datos con condiciones justas; consorcios universitarios que negocien términos colectivos en lugar de aceptar los del proveedor uno por uno; exigencia contractual de transparencia como condición de compra. Ninguna de estas alternativas es sencilla y varias requieren coordinación que la región no siempre logra. Pero su ausencia del debate no se debe a que sean imposibles, sino a que el marco de la adopción acrítica las vuelve invisibles: si la única pregunta es “¿integramos o no?”, las alternativas al cómo integrar desaparecen del horizonte antes de ser consideradas.

Lo que la institución debería preguntarse antes de firmar

El hilo que atraviesa este ensayo es una sola idea: la universidad es, o pretende ser, una institución de juicio. Su razón de existir es producir, transmitir y encarnar la capacidad de examinar reclamos antes de aceptarlos. La adopción acrítica de la IA es una traición a esa función precisamente porque suspende el juicio en el dominio donde la institución más debería ejercerlo —el de las herramientas que median todo su trabajo.

Esto no es un llamado a la parálisis ni a la nostalgia. Es un llamado a que la institución haga con la IA lo que dice hacer con todo lo demás: examinarla. Preguntarse quién construyó la herramienta y con qué intereses. Exigir saber sobre qué datos fue entrenada y contra quién comete errores. Medir el sesgo del detector antes de usarlo para acusar a un estudiante, en lugar de después. Leer el reporte de sostenibilidad —o exigir que exista— antes de firmar el convenio. Distinguir el certificado que enseña a evaluar del que solo enseña a operar. Nada de esto impide adoptar; todo esto convierte la adopción en una decisión en lugar de un reflejo.

Quedan preguntas abiertas que la región tendrá que responder con más evidencia y más deliberación de la que este ensayo puede ofrecer. ¿Puede una universidad latinoamericana individual negociar términos de transparencia con un proveedor global, o solo un consorcio regional tiene ese poder? ¿Existe la capacidad técnica local para desarrollar y sostener alternativas de menor escala, o la dependencia es, por ahora, estructuralmente inevitable? ¿Cómo se construye un marco regulatorio nacional que exija transparencia sin ahogar la investigación en burocracia? ¿Y cuánto del entusiasmo institucional por la IA es convicción pedagógica genuina y cuánto es la ansiedad de no quedar afuera de una tendencia que nadie quiere ser el último en adoptar?

Lo que sí está claro es el diagnóstico. El movimiento de la prohibición a la integración se presenta como progreso, madurez, realismo. Pero si en ambos extremos la institución omitió el trabajo crítico que la define, entonces no hubo progreso alguno: hubo un cambio de postura sobre la misma abdicación. La universidad que prohibía sin entender y la que integra sin examinar comparten el defecto de fondo. Nombrarlo es el primer paso para corregirlo, y nombrarlo es, después de todo, lo que una institución de juicio debería saber hacer mejor que nadie.