El peligro de las respuestas correctas de la IA
octubre 28, 2026
Tomar exámenes en tiempos de IA: mi experiencia
El dilema de cómo evaluar conocimientos de programación cuando la inteligencia artificial puede resolver ejercicios, analizar soluciones y responder cuestionarios, aunque el estudiante no los domine completamente. Por otro lado, la IA también puede asistir a los docentes ayudando en la corrección y revisión de las entregas.
Introducción
Durante los últimos meses, preparando evaluaciones universitarias de materias técnicas relacionadas con programación, scripting y administración de sistemas, me encontré con un problema que probablemente muchos docentes están enfrentando: ¿cómo evaluar los conocimientos de un estudiante cuando tiene acceso a herramientas de inteligencia artificial capaces de resolver prácticamente cualquier ejercicio que le propongamos?
En mi caso, el desafío tiene una particularidad adicional: las actividades prácticas que estamos evaluando son precisamente aquellas que, en la actualidad, se desarrollan cada vez más con asistencia de inteligencia artificial, mediante herramientas como GitHub Copilot, ChatGPT y otros asistentes de programación (AI-assisted coding).
Es decir, estamos intentando evaluar conocimientos a través de actividades que, en el mundo profesional, ya se realizan habitualmente con asistencia de IA.
Prohibir estas herramientas durante las prácticas puede alejarnos de las condiciones reales de trabajo. Pero permitirlas sin modificar nuestros métodos de evaluación dificulta determinar qué conocimientos adquirió efectivamente el estudiante y cuáles fueron aportados por la herramienta.
La cuestión adquiere especial importancia cuando las evaluaciones se realizan a distancia, utilizando plataformas educativas como Moodle. Durante años, estas plataformas han simplificado considerablemente la tarea docente: permiten administrar bancos de preguntas, generar cuestionarios diferentes, establecer límites de tiempo, automatizar correcciones y gestionar las calificaciones de cursos numerosos.
Sin embargo, la aparición de herramientas de IA capaces no solamente de producir código, sino también de explicarlo, modificarlo y justificarlo, introduce un problema que no se resuelve simplemente cambiando las preguntas o aumentando su dificultad.
Mi experiencia preparando evaluaciones de programación me llevó a reconsiderar algunos supuestos sobre los que tradicionalmente construimos nuestros exámenes. Y, paradójicamente, mi primera solución consistió en volver a un método mucho más antiguo: la evaluación presencial, oral o escrita en papel.
Pero esa solución dejó abiertos nuevos desafíos y me llevó a considerar otras posibilidades, entre ellas utilizar la propia inteligencia artificial para asistir en el proceso de evaluación.
1. Una contradicción entre la enseñanza y la práctica profesional
En áreas como Cloud, DevOps, administración de sistemas y desarrollo de software, utilizar herramientas de inteligencia artificial para generar código se está convirtiendo en una práctica habitual.
Un profesional puede recurrir a Copilot para desarrollar un script Bash, utilizar ChatGPT para identificar un error de Python o solicitar a un asistente que proponga mejoras en una automatización. Estas herramientas permiten acelerar tareas, automatizar procesos repetitivos y explorar diferentes alternativas de implementación.
Naturalmente, utilizar IA no elimina la necesidad de contar con conocimientos técnicos. Una solución generada automáticamente puede contener errores, presentar problemas de seguridad o no contemplar determinadas condiciones de funcionamiento. Por eso, en el trabajo profesional sigue siendo fundamental comprender, validar y hacerse responsable de los resultados.
En este contexto, prohibir la utilización de IA durante las prácticas de programación puede significar evaluar a los estudiantes en condiciones artificialmente diferentes de las que encontrarán en su actividad profesional.
Pero permitirla sin modificar los criterios de evaluación también presenta dificultades.
Consideremos un ejercicio sencillo: desarrollar un script Bash que reciba una dirección IP o nombre de host, compruebe su disponibilidad y presente un resultado. Un estudiante puede desarrollar la solución utilizando sus conocimientos. Otro puede introducir el enunciado en una herramienta de IA y obtener un script funcional en segundos. Ambos podrían presentar resultados prácticamente idénticos.
¿Podemos concluir que ambos adquirieron los mismos conocimientos? Evidentemente, no.
Aquí aparece una primera distinción fundamental: obtener una solución correcta no equivale necesariamente a comprender cómo funciona.
2. Los conocimientos que queremos evaluar
Antes de analizar cómo tomar los exámenes, considero necesario establecer qué pretendemos evaluar.
En materias relacionadas con programación y administración de sistemas, mi objetivo no es necesariamente que los estudiantes puedan escribir de memoria todos los comandos o desarrollar cada línea de código sin asistencia. Lo que busco comprobar es que hayan adquirido tres capacidades fundamentales:
- Conocimientos teóricos básicos. El estudiante debería comprender los conceptos necesarios para desarrollar y entender las actividades prácticas. Por ejemplo, quien desarrolla scripts Bash debería conocer variables, condiciones, ciclos, procesos, permisos, códigos de retorno y otros conceptos fundamentales del lenguaje y del sistema operativo. No necesariamente debe recordar la sintaxis exacta de cada comando, pero sí comprender los conceptos que determinan su funcionamiento.
- Resolución de actividades prácticas. El estudiante debería poder resolver satisfactoriamente las actividades propuestas, utilizando los medios y herramientas que considere adecuados. Puede recurrir a documentación, ejemplos, buscadores y herramientas de IA. Lo importante es construir una solución que cumpla los requisitos establecidos, funcione correctamente y pueda verificarse.
- Comprensión de la solución. El estudiante debería comprender plenamente la solución que presenta y poder responder y justificar preguntas sobre los aspectos relevantes del código, la configuración, el diseño y las decisiones de implementación. No alcanza con presentar un script que funcione: debería explicar por qué funciona, qué ocurre ante condiciones diferentes de las previstas, qué limitaciones tiene, qué errores podrían presentarse y cómo resolverlos. Si el ejercicio consiste en configurar un servicio HTTPS en una instancia Linux, por ejemplo, debería poder explicar el propósito de los certificados, las claves privadas, los puertos utilizados, los permisos y el comportamiento observado durante las pruebas.
En definitiva, no considero problemático que un estudiante utilice IA para construir una solución, siempre que pueda demostrar que comprende plenamente lo que está entregando.
Estas capacidades están relacionadas, pero no son equivalentes. Y justamente ahí aparece el problema: ¿cómo comprobarlas individualmente cuando las herramientas de IA también pueden explicar y justificar prácticamente cualquier solución?
3. Evaluar cómo se utiliza la IA para resolver el problema
Hasta aquí, el planteo consiste en permitir que los estudiantes utilicen herramientas de inteligencia artificial para desarrollar sus trabajos prácticos, pero exigir que comprendan completamente las soluciones que presentan.
Sin embargo, creo que hay otro aspecto que merece ser considerado: si actualmente muchos de estos problemas se resuelven profesionalmente con asistencia de IA, quizá también deberíamos evaluar el proceso mediante el cual los estudiantes llegan a la solución utilizando esas herramientas.
En otras palabras, en lugar de evaluar exclusivamente el producto final, podríamos evaluar también la capacidad del estudiante para trabajar con IA de manera efectiva y crítica.
Definir y plantear correctamente el problema
Una primera competencia consiste en comprender el problema y traducirlo en requisitos claros. Antes de solicitar a una herramienta de IA que genere un script, el estudiante debería poder identificar qué necesita resolver, qué entradas recibirá el programa, qué resultados se esperan y qué restricciones deben considerarse.
Una solicitud incompleta o mal formulada puede producir una solución aparentemente correcta que no cumple los objetivos del ejercicio.
Por ejemplo, si queremos desarrollar un script Bash para verificar la disponibilidad de un conjunto de servidores, no alcanza necesariamente con pedirle a la IA que genere un programa que ejecute ping. Es necesario considerar cómo se proporcionará la lista de servidores, qué significa que uno esté disponible, cómo se manejarán los errores y cómo se presentarán los resultados.
La capacidad de definir correctamente el problema puede ser tan importante como la de escribir el código que lo resuelve.
Interactuar con la IA y mejorar progresivamente la solución
Otra competencia consiste en saber utilizar la herramienta durante el desarrollo. Es poco probable que una primera respuesta de IA siempre produzca la mejor solución.
El estudiante debería poder revisar los resultados, detectar requisitos que no fueron considerados, solicitar correcciones y evaluar diferentes alternativas.
Esto implica un proceso iterativo: plantear el problema, obtener una propuesta, analizarla, identificar deficiencias y mejorarla. Podríamos evaluar cómo evoluciona la solución a lo largo de ese proceso y qué decisiones toma el estudiante.
No se trataría necesariamente de valorar la complejidad de los prompts, sino de observar si la interacción con la herramienta contribuye efectivamente a resolver el problema.
Verificar y validar el código generado
Probablemente este sea uno de los aspectos más importantes.
Una herramienta de IA puede generar código sintácticamente correcto y aparentemente razonable, pero eso no significa que funcione adecuadamente en todas las circunstancias.
El estudiante debería diseñar y ejecutar pruebas, comprobar los resultados, identificar condiciones no previstas y corregir los errores encontrados.
En una práctica de scripting, por ejemplo, podría evaluar si el programa maneja correctamente parámetros inválidos, archivos inexistentes, errores de permisos o fallas de conectividad.
En una práctica de infraestructura, debería verificar que una configuración no solamente funcione, sino que también respete los requisitos de seguridad y las restricciones del ejercicio.
La responsabilidad sobre la validez del resultado debe permanecer en quien desarrolla y entrega la solución, independientemente de que parte del trabajo haya sido generado automáticamente.
Comprender y justificar las decisiones
Finalmente, el estudiante debería poder explicar por qué la solución adoptada resulta adecuada. Esto incluye justificar las herramientas utilizadas, las decisiones de diseño, los mecanismos de control de errores y las posibles alternativas.
También debería poder identificar limitaciones y reconocer situaciones en las que sería necesario modificar la implementación.
La IA puede colaborar en este análisis, pero eso no elimina la necesidad de comprobar que el estudiante realmente comprende las decisiones que presenta.
Evidencias para evaluar el proceso
Una posibilidad sería solicitar, junto con la entrega final, una breve descripción del proceso de desarrollo asistido por IA: el planteo inicial, las principales modificaciones realizadas, los problemas detectados y las pruebas utilizadas para validar el resultado.
También podrían conservarse fragmentos relevantes de las interacciones con la herramienta, sin necesidad de presentar conversaciones completas ni convertir la cantidad de prompts en un criterio de calificación.
En algunos casos, podría resultar útil utilizar repositorios Git para registrar las distintas versiones de la solución y observar su evolución.
Sin embargo, debemos reconocer una limitación importante: la propia IA también puede generar una explicación convincente de cómo supuestamente se desarrolló el trabajo.
Por lo tanto, una descripción del proceso, un historial de prompts o una secuencia de commits no constituyen por sí solos pruebas suficientes de aprendizaje individual. Incluso pueden reconstruirse después de haber obtenido la solución final.
Estas evidencias deberían utilizarse principalmente para evaluar la calidad del procedimiento documentado y, cuando sea necesario acreditar competencias individuales, complementarse con alguna forma de verificación independiente.
Una nueva competencia profesional
Todo esto me lleva a considerar que el desarrollo asistido por IA debería incorporarse explícitamente entre las competencias que enseñamos y evaluamos.
No alcanza con aprender a escribir código, pero tampoco alcanza con saber pedirle a una IA que lo escriba. El estudiante necesita aprender a formular problemas, utilizar herramientas, interpretar propuestas, detectar errores, verificar resultados y tomar decisiones técnicas fundamentadas.
En este modelo, la inteligencia artificial no reemplaza necesariamente el aprendizaje de programación: modifica las actividades mediante las cuales ese aprendizaje se aplica y demuestra.
Y esto plantea una pregunta adicional: ¿estamos preparando a nuestros estudiantes para programar de la manera en que se programaba antes de la aparición de estas herramientas, o para desarrollar soluciones en el entorno tecnológico en el que probablemente trabajarán?
4. Los límites de cambiar el tipo de preguntas
Una primera alternativa consiste en reemplazar los ejercicios de programación tradicionales por actividades que requieran mayor razonamiento:
- Entregar un script existente y solicitar que se explique su funcionamiento.
- Introducir errores y pedir que sean identificados y corregidos.
- Solicitar modificaciones para incorporar nuevos requisitos.
- Presentar resultados de ejecución y pedir su interpretación.
- Exigir que se justifiquen determinadas decisiones de implementación.
A primera vista, estas actividades parecen evaluar comprensión en lugar de limitarse a comprobar si el estudiante puede producir código.
Sin embargo, al analizar estas posibilidades aparece una dificultad evidente: todas ellas también pueden ser resueltas rápidamente por herramientas de inteligencia artificial.
Los modelos actuales no se limitan a generar código. También pueden explicarlo, depurarlo, modificarlo, analizar logs, interpretar errores y justificar decisiones técnicas. Incluso una explicación detallada, aparentemente razonada, puede haber sido generada íntegramente por IA.
Por lo tanto, cambiar un ejercicio de programación por uno de análisis o depuración no resuelve el problema de la evaluación remota. Tampoco lo hace necesariamente aumentar la dificultad o generar múltiples variantes de un examen.
Estas medidas pueden resultar útiles, pero no permiten garantizar que las respuestas reflejen los conocimientos individuales del estudiante. El problema es más profundo que el diseño de las preguntas.
5. Mi primera solución: volver al mundo analógico
Después de considerar distintas alternativas, mi primera respuesta fue separar la resolución práctica del ejercicio de la evaluación individual de conocimientos.
La propuesta consistía en dos instancias.
Resolución práctica con libertad de herramientas
El estudiante podía desarrollar el ejercicio utilizando documentación, buscadores, asistentes de IA, Copilot o cualquier otra herramienta disponible.
De esta manera, la práctica se aproximaba a las condiciones reales del trabajo profesional. El objetivo era evaluar la solución producida: su funcionamiento, calidad, adecuación a los requisitos y resultados obtenidos.
Evaluación individual presencial
La segunda instancia consistía en un cuestionario presencial, con preguntas orales o respuestas escritas en papel, sin asistencia tecnológica.
Su propósito era comprobar los conocimientos teóricos fundamentales y la comprensión de la solución desarrollada.
Por ejemplo, si la práctica consistía en desarrollar un script Bash que verificara la disponibilidad de distintos servidores, el cuestionario podía abordar conceptos como parámetros, variables, estructuras condicionales, códigos de retorno, redirecciones y manejo de errores.
También podía incluir preguntas específicas sobre el script entregado, su comportamiento ante determinados casos o las razones de algunas decisiones de implementación.
No se trataba de exigir que el estudiante memorizara cada línea del código, sino de comprobar que comprendía los mecanismos sobre los que se apoyaba su funcionamiento y que podía explicar y justificar las decisiones técnicas relevantes.
De esta manera, la práctica evaluaba la capacidad de resolver problemas utilizando herramientas actuales, mientras que el examen presencial buscaba acreditar conocimientos individuales.
Paradójicamente, en un contexto de creciente digitalización, la solución inicial fue recuperar algunos mecanismos de evaluación tradicionales. No como una vuelta nostálgica al pasado, sino como una decisión pragmática.
6. El problema que esta solución no resuelve
Aunque esta combinación permite separar claramente los dos objetivos, tiene una limitación importante: no resuelve el desafío de la evaluación a distancia ni aprovecha completamente las ventajas de las plataformas educativas digitales.
Moodle, por ejemplo, ofrece funcionalidades particularmente útiles para administrar evaluaciones de cursos numerosos: bancos de preguntas, selección aleatoria, categorías, variantes mediante parámetros, límites de tiempo, registro de intentos y corrección automática de distintos tipos de respuestas.
Estas capacidades reducen considerablemente el trabajo administrativo y facilitan la evaluación de grupos numerosos. Reemplazar todo esto por cuestionarios en papel implica renunciar a buena parte de esas ventajas.
La evaluación oral individual, por su parte, ofrece oportunidades para profundizar en la comprensión del estudiante, pero resulta difícil de escalar cuando debemos evaluar a treinta, cincuenta o más alumnos.
Además, en las modalidades completamente remotas, la presencialidad puede resultar incompatible con las características del curso.
Por lo tanto, mi primera solución resolvía parcialmente el problema pedagógico, pero introducía nuevas dificultades operativas. Y esto me llevó a reformular la pregunta inicial:
¿Es posible conservar las ventajas de las evaluaciones digitales y, al mismo tiempo, recrear condiciones suficientemente controladas como para comprobar los conocimientos individuales?
7. El desafío tecnológico: recrear las condiciones del examen tradicional
El examen presencial escrito tiene una característica que frecuentemente damos por sentada: el docente puede observar el entorno en el que se desarrolla. Puede establecer qué materiales están permitidos, limitar el uso de dispositivos y supervisar la interacción entre estudiantes.
Ese control tampoco es perfecto, pero permite obtener un grado razonable de confianza sobre las condiciones de evaluación.
Cuando trasladamos el examen a una computadora, parte de ese control desaparece. El estudiante puede abrir otras ventanas, consultar recursos externos o recurrir a un asistente de IA para obtener respuestas.
En este contexto, existen tecnologías que intentan recrear algunas de las restricciones de un examen tradicional. Una de ellas es Safe Exam Browser, un navegador diseñado para utilizarse en evaluaciones controladas, que puede integrarse con Moodle y restringir el acceso a determinadas aplicaciones y recursos del equipo.
En un aula presencial, su utilización junto con la supervisión docente puede ofrecer condiciones razonablemente similares a las de un cuestionario escrito tradicional, conservando las ventajas de corrección y administración digital.
El escenario remoto, sin embargo, es considerablemente más complejo. Aunque logremos restringir las aplicaciones y la navegación de la computadora utilizada para rendir, nada impide necesariamente que el estudiante consulte una herramienta de IA desde otro dispositivo.
Podemos incorporar supervisión por videoconferencia, grabaciones o sistemas de remote proctoring, pero estos mecanismos tampoco ofrecen garantías absolutas. Además, introducen otras dificultades relacionadas con la privacidad, la accesibilidad, los requisitos técnicos y el tratamiento de los datos personales.
Por lo tanto, debemos distinguir entre dos objetivos diferentes:
- Reducir las oportunidades de utilizar asistencia externa no autorizada.
- Garantizar que una respuesta fue elaborada exclusivamente por el estudiante.
El primero puede abordarse mediante una combinación de herramientas tecnológicas y procedimientos de supervisión. El segundo resulta mucho más difícil de asegurar, especialmente cuando el examen se realiza en un entorno remoto que no controlamos.
8. Una alternativa práctica: limitar el tiempo de respuesta
Otra posibilidad, especialmente para preguntas de opción múltiple, verdadero o falso y otros formatos de respuesta cerrada, consiste en establecer límites de tiempo suficientemente ajustados.
La idea es relativamente sencilla. Si un estudiante conoce la respuesta, debería poder identificarla en un tiempo razonablemente breve. En cambio, si necesita copiar la pregunta, consultar un buscador o una herramienta de IA, interpretar la respuesta y regresar al cuestionario, ese procedimiento puede requerir tiempo adicional.
Por lo tanto, un examen con tiempos ajustados podría dificultar el uso sistemático de consultas externas.
Pero aquí aparece un nuevo desafío: determinar cuánto tiempo asignar.
Un límite demasiado amplio puede permitir consultar prácticamente todas las respuestas. Uno excesivamente reducido puede perjudicar a estudiantes que poseen los conocimientos necesarios, pero necesitan más tiempo para leer, analizar o responder.
Además, los asistentes de IA actuales son cada vez más rápidos y existen mecanismos para consultar información sin necesidad de copiar manualmente cada pregunta.
Por eso, no considero que limitar el tiempo sea una garantía contra el uso de IA, sino una estrategia que merece ser evaluada experimentalmente.
Cómo determinar los tiempos adecuados
Una posibilidad sería medir los tiempos de respuesta de estudiantes que conocen los contenidos y comparar esos resultados con los tiempos necesarios para resolver las mismas preguntas utilizando IA.
Esto permitiría analizar si existe una diferencia suficientemente significativa como para establecer límites útiles.
También habría que considerar la dificultad de cada pregunta, su extensión, el razonamiento requerido, las necesidades de accesibilidad y las diferencias entre dispositivos.
En cuestionarios digitales podrían combinarse límites generales de tiempo, preguntas aleatorias, orden variable de respuestas y restricciones de navegación.
Moodle permite varias de estas configuraciones, aunque no todas implican disponer de un temporizador independiente por pregunta.
El objetivo no debería ser generar una carrera contra el reloj, sino encontrar condiciones que favorezcan la respuesta basada en conocimientos previamente adquiridos, sin comprometer la validez y equidad de la evaluación.
9. La otra cara de la IA: asistir al docente en la corrección
Hasta aquí, el análisis se concentró principalmente en los problemas que introduce la IA cuando los estudiantes la utilizan para resolver evaluaciones.
Pero existe otra posibilidad que considero especialmente interesante: utilizarla como herramienta de asistencia para el docente, particularmente en la revisión y corrección de trabajos prácticos y preguntas de desarrollo.
Los cuestionarios de opción múltiple o verdadero y falso pueden corregirse automáticamente mediante plataformas como Moodle. Sin embargo, las preguntas de ensayo, los ejercicios de desarrollo y los trabajos prácticos suelen requerir una revisión manual mucho más laboriosa.
En cursos numerosos, esa tarea puede consumir una cantidad considerable de tiempo. Y aquí la inteligencia artificial podría ofrecer ventajas importantes.
Una primera revisión automatizada
Imaginemos un trabajo práctico en el que los estudiantes deben configurar un servicio HTTPS, generar certificados, realizar pruebas y entregar determinados archivos y evidencias.
Una primera revisión asistida por IA podría verificar si la entrega incluye los elementos solicitados, si respeta el formato establecido y si las explicaciones abordan los puntos requeridos.
También podría identificar posibles inconsistencias técnicas, respuestas incompletas o explicaciones que merezcan una revisión más detallada.
Naturalmente, la IA no debería limitarse a decidir si una respuesta es correcta a partir de su apariencia.
Para los aspectos que pueden verificarse objetivamente, como la estructura de archivos, los comandos ejecutados o el resultado de determinadas pruebas, sería preferible utilizar mecanismos de validación automatizada tradicionales.
La IA podría complementar esos mecanismos interpretando respuestas abiertas, documentación y evidencias técnicas menos estructuradas.
Corrección preliminar de preguntas de ensayo
Algo similar podría aplicarse a preguntas teóricas de desarrollo, especialmente cuando fueron respondidas en una instancia en la que no estaba permitida la asistencia de IA.
A partir de una consigna, una respuesta de referencia y una rúbrica de evaluación, un sistema de IA podría realizar una primera lectura de las respuestas y señalar:
- Si se mencionan los conceptos fundamentales esperados.
- Si la explicación es técnicamente correcta.
- Si faltan aspectos importantes.
- Si aparecen errores conceptuales o contradicciones.
- Qué partes de la respuesta deberían ser revisadas por el docente.
Incluso podría proponer una calificación preliminar y una devolución individual.
Pero considero importante mantener una distinción: asistir en la corrección no significa delegar automáticamente la decisión de calificación.
Los modelos también pueden cometer errores, interpretar incorrectamente una explicación válida o valorar de manera diferente respuestas conceptualmente equivalentes.
Por eso, al menos inicialmente, utilizaría estos resultados como una primera pasada destinada a orientar y simplificar la revisión humana. La confiabilidad de esa asistencia debería evaluarse comparando sus resultados con correcciones docentes.
10. Comparación de entregas: detección de posibles copias
Otra aplicación interesante consiste en comparar las respuestas de distintos estudiantes que resolvieron un mismo ejercicio.
En una evaluación tradicional, el docente puede advertir similitudes sospechosas entre trabajos, pero identificar estos patrones manualmente resulta difícil cuando hay muchas entregas.
Un sistema automatizado podría comparar textos, código fuente, estructuras de archivos y decisiones de implementación.
En programación, por ejemplo, podrían analizarse similitudes que van más allá de los nombres de variables o de cambios superficiales en el formato. También podrían identificarse errores poco habituales que aparecen repetidos en diferentes soluciones.
En trabajos escritos, podrían compararse secuencias de explicaciones, ejemplos, omisiones y errores conceptuales compartidos.
Estas coincidencias no necesariamente demuestran que hubo una copia. Dos estudiantes que resolvieron correctamente el mismo problema pueden producir respuestas muy similares, especialmente cuando el ejercicio admite pocas alternativas razonables.
Incluso la utilización independiente de una misma herramienta de IA podría generar soluciones parecidas.
Por lo tanto, la detección automática de similitudes debería servir para identificar entregas que requieren revisión, no para establecer automáticamente una falta académica.
La decisión final necesitaría contemplar el contexto, las características del ejercicio y las explicaciones de los estudiantes.
11. Los límites de detectar respuestas generadas por IA
Una pregunta que surge naturalmente es si podemos utilizar herramientas de IA para identificar trabajos o respuestas que también fueron generados mediante inteligencia artificial.
Existen sistemas comerciales que intentan detectar patrones de escritura asociados con textos generados por modelos de lenguaje. Sin embargo, sus resultados presentan limitaciones importantes.
Pueden identificar incorrectamente como generado por IA un texto escrito por una persona, o no reconocer un texto producido con asistencia tecnológica.
Además, una respuesta breve, un fragmento de código o una explicación técnica muy estandarizada pueden ofrecer pocas características útiles para ese tipo de análisis. Modificar o reformular un texto también puede afectar los resultados.
Por eso, no consideraría razonable utilizar un detector de IA como prueba concluyente de que un estudiante incumplió las condiciones de un examen.
A lo sumo, determinadas herramientas podrían proporcionar información complementaria para una revisión docente, siempre que su funcionamiento, limitaciones y tratamiento de datos fueran adecuados.
Hay además una distinción importante: si permitimos explícitamente la IA para desarrollar las prácticas, detectar su utilización en esas entregas tendría poco sentido.
En cambio, cuando una evaluación exige respuestas individuales sin asistencia, el problema vuelve a ser cómo acreditar que se respetaron esas condiciones.
La detección automática no ofrece una solución suficientemente confiable por sí sola.
12. La IA como apoyo para evaluar cursos numerosos
Si combinamos estas posibilidades, aparece una propuesta interesante para mejorar el proceso de evaluación sin reemplazar el criterio docente.
En una primera etapa, los estudiantes resolverían las actividades prácticas con las herramientas permitidas, incluida la IA. Sus entregas podrían someterse a verificaciones automáticas de funcionamiento, formato y cumplimiento de requisitos.
A continuación, un sistema de asistencia basado en IA podría realizar una revisión preliminar de las explicaciones, identificar omisiones o inconsistencias y comparar las entregas para señalar similitudes que merezcan atención.
Finalmente, el docente revisaría los resultados, especialmente aquellos casos que presentan dudas o requieren una valoración más cuidadosa.
En paralelo, las instancias destinadas a acreditar conocimientos individuales podrían desarrollarse mediante cuestionarios digitales controlados o mecanismos adicionales de supervisión.
Este modelo permitiría diferenciar funciones:
- Automatización tradicional: comprobar condiciones objetivas, formatos, ejecución y resultados verificables.
- Inteligencia artificial: asistir en la interpretación de respuestas abiertas, identificar posibles omisiones y generar observaciones preliminares.
- Docente: establecer criterios, revisar casos, resolver ambigüedades y asumir la responsabilidad de la calificación.
El resultado esperado sería reducir el trabajo repetitivo de corrección sin abandonar la evaluación académica individual.
Por supuesto, este modelo también requeriría validar la calidad de las correcciones asistidas, proteger la información de los estudiantes y establecer criterios transparentes para el uso de estas herramientas.
13. Un desafío que excede al docente
Las posibilidades descritas plantean cuestiones que difícilmente puedan resolverse mediante decisiones individuales de cada profesor.
Las universidades y sus autoridades académicas necesitan participar en la discusión.
Es necesario definir criterios sobre el uso permitido de herramientas de IA, las condiciones de las evaluaciones remotas, los mecanismos de supervisión, la privacidad de los estudiantes y la validez de los distintos instrumentos de acreditación.
También deberían evaluarse los recursos tecnológicos y humanos necesarios para implementar nuevas modalidades.
No parece razonable exigir simultáneamente evaluaciones remotas, garantías de desempeño individual y una corrección completamente automatizada sin reconocer las limitaciones que actualmente existen.
El problema no es simplemente encontrar preguntas que ChatGPT no pueda responder. De hecho, esa estrategia probablemente resulte cada vez menos sostenible.
El desafío consiste en establecer qué queremos acreditar, qué evidencias consideramos suficientes y qué condiciones de evaluación podemos garantizar realmente.
14. Reflexiones finales
Mi experiencia preparando evaluaciones de scripting y administración de sistemas me llevó a una conclusión que inicialmente no esperaba.
En un momento en el que la inteligencia artificial está transformando la manera de desarrollar software, mi primera respuesta para comprobar conocimientos individuales fue recuperar la evaluación presencial, oral o escrita en papel.
Esta decisión no implicaba rechazar la IA. Por el contrario, partía de aceptar que su utilización durante las actividades prácticas es coherente con las condiciones actuales del trabajo profesional.
Pero también reconocía que un programa funcionando correctamente, incluso acompañado de una explicación detallada, ya no constituye evidencia suficiente de comprensión individual.
Lo que buscamos evaluar es que el estudiante haya adquirido los conocimientos teóricos fundamentales, que pueda resolver satisfactoriamente una actividad práctica con las herramientas disponibles y que comprenda y pueda justificar plenamente la solución presentada.
A esos objetivos agregaría uno más: evaluar cómo utiliza la IA durante el proceso de resolución. Si los problemas que proponemos en nuestras materias se resuelven actualmente con asistencia de inteligencia artificial, también deberíamos enseñar a formular correctamente las solicitudes, analizar críticamente las respuestas, mejorar las soluciones propuestas y validar sus resultados.
La evaluación presencial ofrecía una forma relativamente sencilla de acreditar parte de esos conocimientos. Sin embargo, dejó abierto un problema importante: cómo trasladar esas condiciones al mundo digital sin renunciar a las ventajas de plataformas como Moodle ni hacer inviable la evaluación de cursos numerosos.
Existen distintas alternativas que merecen ser exploradas: navegadores restringidos, supervisión remota, límites de tiempo cuidadosamente diseñados y verificaciones individuales complementarias.
Y, al mismo tiempo, la propia inteligencia artificial abre posibilidades para asistir a los docentes en la revisión de respuestas abiertas, la comprobación de entregas y la detección de similitudes entre trabajos.
No tengo todavía una respuesta definitiva.
Pero sí considero que deberíamos dejar de plantear esta discusión exclusivamente en términos de permitir o prohibir el uso de IA por parte de los estudiantes.
Quizá la solución no consista en desarrollar exámenes imposibles de resolver con IA, sino en combinar la evaluación del resultado, del proceso de desarrollo asistido, de la comprensión individual y de los conocimientos fundamentales, aprovechando también herramientas de automatización que permitan mantener la evaluación como una tarea viable.
La inteligencia artificial nos obliga a revisar una premisa que durante mucho tiempo parecía evidente: que resolver correctamente un ejercicio demuestra que quien lo entrega posee los conocimientos necesarios para hacerlo. Hoy esa relación ya no puede darse por sentada.
El verdadero desafío ya no es solamente determinar si un estudiante sabe resolver un problema sin IA, sino comprobar que posee los conocimientos necesarios para resolverlo responsablemente con ella, comprender el resultado y hacerse cargo de las decisiones técnicas involucradas.
Y, al mismo tiempo, encontrar formas confiables, justas y escalables de acreditar esas capacidades.
Es una discusión que recién estamos comenzando.
¿Cómo están abordando este problema en sus cursos? ¿Evalúan el proceso de desarrollo asistido por IA? ¿Utilizan herramientas de IA para ayudar en la corrección? ¿Han experimentado con evaluaciones remotas de tiempo limitado, navegadores restringidos u otros mecanismos para comprobar conocimientos individuales? Me interesa especialmente conocer experiencias concretas en carreras técnicas y cursos numerosos.
