La universidad después de ChatGPT: el título bajo examen

Una universidad no entrega solamente contenidos: habilita una presunción. Cuando expide un título, le dice a la sociedad, a un empleador, a un paciente o a un tribunal que esa persona puede pensar, resolver problemas y actuar con cierto grado de autonomía. La inteligencia artificial generativa puso esa presunción en crisis.

El debate suele quedar reducido a una escena elemental: un estudiante abre ChatGPT, encarga una respuesta, la presenta como propia y la institución intenta descubrirlo con un detector. Pero esa imagen contiene una trampa. Si el sistema necesita averiguar mediante un software si alguien escribió un texto, quizá el problema no sea exclusivamente quién hizo trampa, sino qué estaba midiendo la evaluación.

En una columna publicada hoy por The Washington Post (Opinion Santiago Schnell Universities are fighting AI cheating. But there's a deeper problema) el científico y académico Santiago Schnell plantea que las universidades están empeñadas en una carrera tecnológica perdida: perseguir el uso indebido de IA con herramientas de detección que no alcanzan certeza plena, mientras la tecnología que permite disimular su intervención avanza a mayor velocidad. Su idea central es más incómoda y fértil: un título debería distinguir con claridad qué es capaz de hacer una persona por sí misma y qué logra solamente con el auxilio de una máquina.

No se trata de nostalgia por el aula sin pantallas ni de declarar la guerra a la innovación. Simplemente de proteger una condición básica de la vida académica y profesional: que la credencial conserve correspondencia con una aptitud real.

El episodio de la Universidad de Brown funciona como una radiografía elocuente del problema. En ECON 1170, un curso avanzado de economía matemática, el profesor Roberto Serrano advirtió resultados fuera de escala en un examen parcial para resolver en el hogar: sobre 86 estudiantes, el promedio fue de 96 puntos sobre 100 y 40 obtuvieron la calificación perfecta.

Ante las irregularidades detectadas -incluidas coincidencias entre algunas respuestas y las que producía ChatGPT al recibir las mismas consignas-, Serrano dispuso que el examen final fuera presencial. Allí se presentaron 59 estudiantes y el promedio descendió a alrededor de 48 puntos sobre 100; de los 27 que no asistieron, 22 habían obtenido 100 puntos en el parcial. El profesor sostuvo que el conjunto de esos datos constituía evidencia abrumadora de uso fraudulento de inteligencia artificial.

La lección no es que todo examen en casa sea necesariamente fraudulento ni que una prueba manuscrita sea, por definición, una medición perfecta. La distancia entre ambas instancias no acredita por sí sola responsabilidad individual ni reemplaza el debido proceso académico. Pero sí revela que la modalidad de evaluación había dejado de ofrecer evidencia confiable sobre un saber personal.

Esa distinción importa. Un detector puede producir una señal de alerta; no debería ser la prueba concluyente para sancionar a un estudiante. Estas herramientas pueden cometer falsos positivos -señalar como artificial un texto genuino- y falsos negativos -no advertir una producción asistida-, con especial riesgo para quienes escriben en una lengua no materna o tienen estilos de redacción menos convencionales.

La universidad no puede sustituir el juicio docente, la escucha del estudiante y la valoración contextual por el veredicto opaco de un algoritmo. Hacerlo sería combatir una presunta trampa con otra forma de arbitrariedad.

La pregunta decisiva no es "¿cómo atrapamos a quien usa IA?", sino "¿por qué seguimos evaluando de un modo que permite confundir una respuesta bien presentada con comprensión genuina?".

Durante décadas, el ensayo domiciliario, el trabajo práctico estandarizado y la resolución individual de ejercicios fueron indicios razonables de aprendizaje. Hoy pueden ser productos híbridos: una parte de lectura, otra de edición, otra de consulta a modelos generativos y, en algunos casos, una delegación casi total. Ese cambio no vuelve inútil toda producción escrita, pero le quita el privilegio de ser la única prueba de conocimiento.

La respuesta automática suele ser prohibir. Es comprensible: la IA puede facilitar la pereza intelectual, inventar fuentes, reproducir errores con una seguridad persuasiva y borrar el proceso que forma criterio. Sin embargo, una prohibición absoluta también desconoce que estas herramientas ya integran el mundo profesional al que la universidad prepara para ingresar.

Un abogado, médico, ingeniero, investigador o comunicador no trabajará en un vacío tecnológico. Deberá saber formular buenas preguntas, identificar una alucinación, contrastar fuentes, resguardar datos confidenciales, explicar las razones de una decisión y responder por sus consecuencias. Ninguna de esas capacidades se adquiere entregando a la máquina lo que correspondía pensar.

La IA no debería ser tratada como una calculadora prohibida ni como un oráculo al que se le obedece. Debe ser objeto de alfabetización crítica: cuándo puede emplearse, para qué tareas, qué debe declararse, cómo se verifica lo que ofrece y qué zonas del trabajo humano no pueden delegarse.

La salida no consiste en reinstaurar el examen como ritual de vigilancia, sino en diseñar evaluaciones más exigentes y honestas respecto de lo que quieren comprobar.

Hay actividades que permiten observar mejor el aprendizaje: defensas orales breves; debates sobre casos concretos; resolución de problemas con datos incompletos; bitácoras que documenten decisiones y correcciones; evaluaciones presenciales razonables; proyectos que conecten la teoría con un conflicto local; instancias en las que el estudiante deba explicar por qué descartó una fuente o modificó una hipótesis.

En Derecho, por ejemplo, no alcanza con presentar un escrito impecable. Puede pedirse al alumno que sostenga oralmente la estrategia procesal, identifique los riesgos de una medida, justifique una selección probatoria y responda qué cambiaría si variara un hecho relevante. La IA puede colaborar en una primera búsqueda o en la organización de materiales; no puede reemplazar la responsabilidad intelectual de quien firma una decisión y debe defenderla.

Este enfoque también obliga a revisar la enseñanza. Si una tarea puede resolverse sin comprender su utilidad, la tentación de automatizarla crecerá. La evidencia disponible sugiere que el fraude no nació con ChatGPT y que una política efectiva debe atender su dimensión cultural: hacer relevante el aprendizaje, acordar reglas claras de integridad y conversar abiertamente sobre los usos admisibles de IA.

El problema de fondo excede a las universidades norteamericanas y a sus escándalos. En la Argentina, donde un título conserva un importante valor de movilidad social y confianza pública, la cuestión es especialmente sensible. Quien contrata a un profesional, entrega un expediente, recibe una recomendación clínica o delega el cuidado de un niño necesita saber que detrás del diploma hay competencias verificables, no apenas una acumulación de entregas pulidas por una herramienta.

Por eso el desafío es doble. Hay que defender la integridad académica sin convertir al estudiante en sospechoso permanente. Y hay que integrar la IA sin aceptar que suplante el aprendizaje que una universidad está obligada a certificar.

Brown ofrece la advertencia visible; Schnell formula la pregunta decisiva. La universidad del futuro no será la que mejor detecte textos artificiales. Será la que pueda demostrar, con evaluaciones más humanas, rigurosas y situadas, qué sabe hacer una persona cuando ya no puede esconderse detrás de una pantalla.