El juicio no se delega · 10 de 12

Suele decirse que el problema de la inteligencia artificial en la evaluación consiste en averiguar quién escribió el texto. José Antonio Bowen y C. Edward Watson, autores de Teaching with AI, abren su capítulo sobre copia y detección con un caso real, con los nombres cambiados.

Una estudiante de posgrado recibe un aviso: puede haber vulnerado la normativa de honestidad académica de su universidad. Un profesor había encontrado una de sus aportaciones al foro de la asignatura demasiado brillante para alguien que no era del área, y pasó sus tres textos por dos detectores. El primero devolvió un 50 %, un 35 % y un 5 % de probabilidad de haber sido generados por una máquina. El segundo devolvió 100 % en los tres. Ella sabía que el trabajo era suyo, y tuvo una idea: buscó el último artículo del profesor, firmado solo por él y publicado diez meses antes de que existiera ChatGPT, y lo pasó por las mismas herramientas. Salió 36 % en una y 100 % de contenido de IA en la otra (1).

La alarma que no apaga el fuego

La conversación de claustro sobre detectores suele moverse entre dos certezas contrarias, y ninguna se sostiene entera. Los datos que recogen Bowen y Watson son incómodos en las dos direcciones. Turnitin anunció un 1 % de falsos positivos y lo corrigió a un 4 % en otoño de 2023. El clasificador de OpenAI se presentó con un 98 % de precisión, y su propia investigación encontró que detectaba texto real de IA solo una de cada cuatro veces, mientras marcaba como artificial casi uno de cada diez textos humanos. Acabó cerrándose (1).

Un estudio probó siete detectores con dos materiales distintos: redacciones premiadas de estudiantes de secundaria y exámenes TOEFL escritos por alumnado chino. Acertaba con las primeras y clasificaba mal más de la mitad de los segundos. Bastaba pedir al modelo que sonara como un hablante nativo para que los falsos positivos cayeran del 61 % al 12 % (1).

Ese hallazgo es el que debería quitarnos el sueño. Quien escribe con vocabulario más limitado, porque está aprendiendo la lengua, tiene más probabilidades de ser acusado.

Pero la misma revisión recoge un dato que va en sentido contrario, y omitirlo sería hacer trampa. Mike Perkins y su equipo encontraron en 2023 que Turnitin identificaba correctamente el 91 % del contenido generado por IA, mientras el profesorado que revisaba los mismos textos acertaba en el 54,5 % de los casos (1). El mejor detector rendía bastante mejor que el ojo humano.

Aquí las fuentes discrepan. Jasper Roe, Leon Furze y el propio Perkins afirman en 2026, sin matices, que los intentos de detección de texto son inexactos y poco fiables (4). Bowen y Watson sostienen que la precisión varía muchísimo entre productos, que los mejores separan razonablemente bien y que el problema no es que no funcionen. La discrepancia se entiende cuando se mira qué mide cada uno: unos juzgan la fiabilidad técnica del conjunto de herramientas disponibles, otros juzgan su utilidad práctica cuando hay un docente supervisando. Y las dos partes llegan a la misma conclusión. La detección no puede ser la política del centro (1, 4).

Bowen y Watson lo dicen con una frase que conviene tener a mano: los detectores de IA no acusan a nadie de copiar (1). Devuelven una probabilidad. Ellos comparan la herramienta con una alarma de incendios, que es prueba de que algo debe investigarse y no de que haya fuego, y con ese argumento discuten la decisión de Vanderbilt, Michigan State, Pittsburgh y DePaul de desactivar la detección de Turnitin (1). La comparación es útil, y también tiene un límite: una alarma que suena a menudo donde no hay fuego deja de servir para avisar y empieza a servir para otra cosa. En una escuela, esa otra cosa es la desconfianza.

Evaluar es la otra cara de enseñar

Amaia Arroyo Sagasta, doctora en Comunicación y Educación y profesora en Mondragon Unibertsitatea, y Carlos Magro Mazo, coordinador del programa educativo de la Institución Libre de Enseñanza, sostienen en el Informe ODITE 2026 una tesis que reordena todo el problema: «La evaluación es la columna vertebral del modelo educativo» (2). Lo que evaluamos y cómo lo evaluamos acaba convirtiéndose en el currículo real.

Su capítulo es un ensayo conceptual, no un estudio empírico, y se apoya en literatura ya asentada. Recuperan las tres concepciones que describió Lorna Earl en 2003: evaluar lo aprendido, evaluar para aprender y evaluar como forma de aprender. En cada una cambia quién maneja la información y quién decide. Y recuperan la distinción de Neus Sanmartí entre evaluación formativa, la que usa el profesorado para ajustar la enseñanza, y evaluación formadora, la que usa el propio alumnado para regular su proceso (2).

El diagnóstico que hacen del presente lo puede reconocer cualquier equipo directivo: evaluamos de forma formativa en la norma y en la intención, y de forma sumativa en la práctica y en la exigencia administrativa (2).

Sobre ese suelo llega la inteligencia artificial generativa. Arroyo y Magro proponen mirarla como un espejo que devuelve la realidad de nuestras prácticas de enseñanza y de evaluación. Cuando una tarea consiste solo en reproducir información o en entregar un producto automatizable, la evaluación se vuelve frágil, y ellos precisan por qué: no porque la IA haga trampas, sino porque el diseño no estaba pensado para este escenario (2). La respuesta, escriben, no pasa por blindar la evaluación ni por volver al pasado analógico prohibiendo herramientas, sino por revisar currículo, consignas, tareas y producciones.

Hay una distinción en el libro de Bowen y Watson que ayuda a decidir cuáles revisar y cuáles proteger. David Krakauer separó los artefactos cognitivos complementarios, como el ábaco, que nos hacen más capaces incluso cuando ya no los tenemos delante, de los competitivos, como el GPS, que cuando desaparecen nos dejan peor de lo que estábamos. Ninguna fuente sabe todavía cuál de los dos será la IA, y esa es exactamente la razón por la que la fricción de la que hablamos en el artículo “El gimnasio vacío” sigue teniendo que aparecer en algún punto de la tarea (1).

Subir el listón en lugar de bajar la persiana

Ante una máquina que escribe bien, la escuela tiene dos reflejos: prohibir o vigilar. Los dos dejan el listón donde estaba. Hay un tercero, y consiste en subirlo.
Bowen y Watson lo formulan sin rodeos. Una estudiante de segundo curso de Harvard quiso saber si ChatGPT habría superado su primer año, entregó a sus ocho profesores trabajos generados por la máquina y les pidió que los calificaran. La media fue de 3,34 sobre 4. No es un estudio, es un experimento de una sola alumna, pero el patrón de los comentarios es revelador: elogiaban el estilo más que el contenido (1).

De ahí sale su propuesta: la IA es el nuevo aprobado raspado, y lo razonable no es prohibir la IA sino dejar de aprobar ese nivel de trabajo. Proponen reconvertir la rúbrica desplazando una columna, de modo que lo que antes era un suficiente pase a ser un suspenso, y retirar los puntos que aún damos por la corrección gramatical o por un esquema bien ordenado, dos cosas que las herramientas regalan desde hace años (1).

Parece sencillo, ¿verdad?, pues no lo es tanto, y es que los mismos autores reconocen el límite de todo esto: resulta prácticamente imposible diseñar tareas de escritura que la IA no resuelva al menos a nivel de aprobado, y ninguna tarea será a prueba de IA (1). Por eso la transparencia funciona mejor que la vigilancia.

La herramienta más práctica para eso la publicaron en 2024 Mike Perkins, Leon Furze, Jasper Roe y Jason MacVaugh: una escala de cinco niveles que el docente asigna a cada tarea y comunica de antemano (3). El nivel 1 excluye cualquier uso. El nivel 2 permite la IA para generar ideas y estructurar, sin que aparezca contenido generado en la entrega. El nivel 3 admite edición y mejora de la redacción, con el original adjunto para comparar. En el nivel 4 la máquina completa una parte y el alumno tiene que evaluarla, discutirla y citarla. El nivel 5 permite el uso completo. Los niveles son acumulativos, y los autores señalan que el 3 es un punto de transición más que un destino (3).

Dos advertencias suyas viajan con la escala. La primera es de equidad: recomiendan que las tareas de nivel 1 se hagan bajo supervisión o con poco peso en la nota, porque fuera del aula quien tiene más competencia digital o herramientas de pago puede usarlas sin que se note. La segunda es de honestidad metodológica: cuando publicaron la escala solo la había probado un grupo piloto, y no existía investigación sobre su eficacia (3).

Tres decisiones que no puede tomar un programa

En el aula. Etiquetar cada tarea con su nivel de uso de IA antes de encargarla, y pedir una declaración breve de uso al entregar. Bowen y Watson proponen una plantilla de proceso que funciona bien reducida a cuatro pasos: pide a la IA que resuelva la tarea, enumera sus errores, mejora el resultado con trabajo propio y explica qué valor añadiste (1).

Para el equipo directivo. Tomar y escribir dos decisiones. Si el centro usa detectores y para qué exactamente, sabiendo que devuelven probabilidades y no pruebas. Y cuál es el procedimiento ante una sospecha, que debería empezar por una conversación con el alumno sobre su proceso de trabajo y no por una captura de pantalla. Perkins y su equipo van más lejos y desaconsejan tratar el mal uso de estas herramientas como una falta de integridad académica, proponiendo resolverlo dentro de la rúbrica (3).

Para el claustro. Una sesión de calibración: el mismo trabajo evaluado por todos con la rúbrica de proceso, y discusión abierta de las divergencias (1).

Para terminar

La revisión sistemática de Guaranda-Arias y su equipo sitúa la autoría difusa entre los riesgos del uso educativo de la IA, junto con la dependencia tecnológica y la aceptación acrítica, y advierte de que los estudios revisados son en su mayoría transversales o documentales y no permiten establecer causalidad (5). La autoría difusa no se aclara con un porcentaje en una pantalla. Se aclara pidiendo el proceso.

Arroyo y Magro lo resumen mejor que nadie: evaluar mejor no es evaluar más, sino evaluar con sentido (2).

Pregunta para seguir pensando. Si mañana mi centro tuviera que asignar un nivel de uso de IA a cada tarea del próximo trimestre, ¿cuántas de esas tareas seguirían teniendo sentido en el nivel 1, y cuántas descubriríamos que solo pedían un producto que la máquina ya entrega?

Glosario

• Detector de IA. Programa que estima la probabilidad de que un texto haya sido generado por un modelo de lenguaje. Devuelve un porcentaje, no un veredicto.
• Falso positivo. Texto escrito por una persona que el detector clasifica como generado por IA. Afecta de forma desproporcionada a quien escribe en una lengua que no es la suya.
• Escala de uso de IA. Clasificación de niveles de uso permitido que se asigna a cada tarea y se comunica al alumnado antes de encargarla.
• Rúbrica de proceso. Rúbrica que califica el recorrido, las decisiones y la verificación, y no solo el producto entregado.
• Autoría difusa. Situación en la que no puede establecerse qué parte de un trabajo procede de la persona y qué parte de la herramienta.
• Artefacto cognitivo complementario y competitivo. Distinción entre las herramientas que aumentan nuestra capacidad incluso cuando dejamos de usarlas y las que nos dejan peor de lo que estábamos cuando desaparecen.

Referencias

1. Bowen, J. A., & Watson, C. E. (2024). Teaching with AI: A Practical Guide to a New Era of Human Learning. Johns Hopkins University Press.
2. Arroyo Sagasta, A., y Magro Mazo, C. (2026). Cuando evaluar es aprender. Evaluación auténtica para una educación centrada en el alumnado. En J. M. Muñoz, N. Lorenzo, X. Suñé, M. À. Prats y C. López (coords.), Informe ODITE 2026: Claves para una nueva educación. Asociación Espiral, Educación y Tecnología. https://ciberespiral.org/es/odite/
3. Perkins, M., Furze, L., Roe, J., y MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Journal of University Teaching and Learning Practice, 21(6). Secciones «Scale Levels» y «Limitations and Future Research». https://doi.org/10.53761/q3azde36
4. Roe, J., Furze, L., y Perkins, M. (2026). Digital plastic: a metaphorical framework for Critical AI Literacy in the multiliteracies era. Pedagogies: An International Journal, 21(2), 185-199. Sección «Critical AI Literacy as part of a new multiliteracies». https://doi.org/10.1080/1554480X.2025.2557491
5. Guaranda-Arias, I. C., García-Ortiz, L. R., y Guerrero-Zambrano, M. (2026). Alfabetización ética en inteligencia artificial y pensamiento crítico del profesorado: una revisión sistemática reportada conforme a PRISMA 2020. Innova Science Journal, 4(3), 964-974. https://doi.org/10.63618/omd/isj/v4/n3/393