La demanda de cursos de IA se dispara mientras cae la matrícula en informática
Google News ha puesto el foco en un cambio notable en los campus estadounidenses: la demanda de cursos de inteligencia artificial está creciendo mientras disminuye la matrícula tradicional de informática.
Los estudiantes no están simplemente abandonando la tecnología. Muchos se están orientando hacia vías más cortas, aplicadas e interdisciplinarias que conectan la IA con la psicología, la música, los negocios, la escritura, la atención sanitaria y el diseño.
Esa distinción cambia la historia. La competencia ya no es entre la educación en IA y la educación no técnica. Es entre la formación especializada en informática y una alfabetización en IA más amplia para casi todos los estudiantes.
Un informe universitario sobre IA de agosto de 2026 documentó este cambio en universidades como Virginia Commonwealth, Northwestern, Harvard, Purdue, Ohio State y Eastern Mennonite.
El auge reportado no significa que todos los programas de IA estén prosperando. Los datos nacionales muestran un debilitamiento de la matrícula en los programas convencionales de informática y ciencias de la información.
Por ello, las universidades están apostando por dos vías a la vez. Están creando titulaciones técnicas de IA al tiempo que incorporan capacidades básicas de IA en carreras no relacionadas.
Este enfoque podría preparar a más estudiantes para entornos laborales moldeados por la IA. También podría generar credenciales superficiales si las instituciones enseñan herramientas sin las habilidades subyacentes de razonamiento, datos y evaluación.
Qué cambió en las universidades de EE. UU.
La educación en IA está pasando de ser una especialidad de informática a formar parte del currículo universitario general.
Virginia Commonwealth University ofrece una especialización secundaria en IA dirigida en parte a estudiantes ajenos a los programas tradicionales de informática. The Associated Press presentó el caso de Faith Maeba, estudiante de psicología, que añadió la especialización mientras consideraba cursar estudios de posgrado.
Su caso refleja la nueva demanda. No se está formando principalmente para convertirse en ingeniera de software. Quiere comprender cómo el aprendizaje automático afecta al comportamiento humano y a los entornos laborales.
Northwestern University está realizando un cambio similar a mayor escala. Su departamento de informática se prepara para enseñar a más estudiantes que no cursan la especialidad, a medida que se reducen las cohortes entrantes de informática.
El departamento ya ofrece una especialización secundaria en IA y está introduciendo una carrera universitaria en IA. También está simplificando las vías de acceso a las clases de IA y aprendizaje automático.
La nueva carrera de IA de Northwestern combina fundamentos matemáticos, programación, estructuras de datos, aprendizaje automático, infraestructura, ética y diseño centrado en las personas.
Los estudiantes de cualquier escuela de Northwestern pueden añadir IA como segunda carrera mientras permanecen en su escuela original. Esta estructura convierte la IA en una capa interdisciplinaria, en lugar de una identidad académica completa.
La universidad también está llevando la IA a asignaturas que antes se encontraban muy lejos de la informática. Su escuela de música ofrece un certificado que conecta la música y la inteligencia artificial.
Eastern Mennonite University planea un aula todavía más integrada. Estudiantes de música, teatro, arte, ingeniería, matemáticas e informática estudiarán IA juntos.
El curso examinará tareas como editar o generar pistas de batería. Su objetivo más amplio es enseñar la colaboración entre especialistas creativos y técnicos.
Harvard ha introducido modelos de lenguaje de gran tamaño en las clases de escritura de primer año. Un modelo de lenguaje de gran tamaño predice y genera lenguaje a partir de patrones aprendidos en extensos conjuntos de datos.
Según se informa, estas clases relacionan la tecnología con los derechos de autor, la desinformación y la práctica de escritura. No se trata de una enseñanza convencional de programación, pero sigue exigiendo comprensión técnica crítica.
Purdue ha introducido un requisito de graduación relacionado con la IA. Ohio State está integrando la enseñanza de IA en la educación universitaria de todas sus facultades.
En conjunto, estos casos revelan la verdadera escala de la demanda de cursos de IA. Las universidades no solo están añadiendo asignaturas optativas para estudiantes de ingeniería. Están tratando la alfabetización en IA como una competencia académica general.
El titular de Google News refleja el auge visible, pero el mecanismo importa más. La demanda se está expandiendo porque la audiencia potencial ahora incluye a casi todas las carreras.
Esto crea un mercado mucho mayor que el antiguo modelo de cursos avanzados de aprendizaje automático restringidos a los departamentos de informática.
Google News revela una historia de matrícula más compleja
El auge de los cursos de IA se produce junto con un descenso medible de la matrícula tradicional en informática, no sobre un crecimiento ininterrumpido de esta disciplina.
Las cifras del National Student Clearinghouse muestran que la matrícula total de educación postsecundaria en EE. UU. creció durante el otoño de 2025. Más de 19,4 millones de estudiantes estaban matriculados, lo que representó un aumento anual del uno por ciento.
La informática y las ciencias de la información se movieron en la dirección opuesta. Su matrícula disminuyó en todos los niveles de titulación y tipos de institución cubiertos por el informe.
Las caídas oscilaron entre el 3,6 por ciento para estudiantes de grado en instituciones centradas principalmente en títulos de asociado y el 14 por ciento en el nivel de posgrado, según los datos de matrícula de otoño.
The Associated Press informó posteriormente de otro descenso durante la primavera de 2026. La matrícula en informática y ciencias de la información cayó más de un ocho por ciento en las instituciones de cuatro años.
Estas cifras complican cualquier afirmación de que los estudiantes simplemente se estén precipitando hacia los campos técnicos debido a la IA. El movimiento es más selectivo.
Algunos estudiantes aún quieren construir modelos, infraestructura y productos de IA. Otros quieren los conocimientos suficientes para aplicar la IA de forma segura dentro de una profesión distinta.
En Northwestern, el profesorado de informática ya se había duplicado mientras el departamento respondía a la demanda anterior. Ahora espera enseñar a más estudiantes de otras carreras.
El presidente del departamento de informática, Samir Khuller, dijo a AP que el departamento intentaba contratar a tres profesores adicionales. Esto sucedía pese a que había menos estudiantes entrantes de informática.
La aparente contradicción desaparece cuando se separan los grupos de estudiantes. La matrícula en carreras y la matrícula en cursos miden comportamientos diferentes.
Un estudiante puede evitar una carrera de informática de cuatro años mientras cursa asignaturas de IA, datos o programación. Otro puede añadir una especialización secundaria en IA sin cambiar una carrera de psicología o música.
El mercado laboral ayuda a explicar esa distinción. El desarrollo de software de nivel inicial ya no parece una vía automática hacia un empleo profesional seguro.
Los sistemas de programación con IA pueden generar funciones, pruebas, documentación y componentes rutinarios de aplicaciones. Por ello, los empleadores podrían esperar que menos desarrolladores junior completen el mismo volumen de trabajo.
Los estudiantes han percibido esa incertidumbre. Algunos buscan experiencia específica en IA, mientras otros buscan titulaciones que combinen fluidez técnica con conocimiento del sector.
Una estudiante de psicología que comprende las limitaciones de los modelos podría estudiar el comportamiento laboral. Un músico podría evaluar medios sintéticos. Un estudiante de negocios podría examinar decisiones automatizadas.
Estas vías no eliminan la necesidad de la informática. Todo sistema de IA en funcionamiento sigue dependiendo de software, estructuras de datos, infraestructura, seguridad y razonamiento matemático.
Sin embargo, la señal que transmite la credencial está cambiando. Un título genérico de informática ya no conlleva la misma promesa inequívoca que lo rodeaba durante el anterior auge de contratación tecnológica.
Por tanto, la demanda de cursos de IA es en parte defensiva. Los estudiantes quieren pruebas de que pueden trabajar con los sistemas que están transformando las carreras que esperan desarrollar.
Las universidades afrontan presión desde ambas direcciones. Deben actualizar las titulaciones técnicas y, al mismo tiempo, crear enseñanza accesible para estudiantes que carecen de requisitos previos avanzados.
Por eso, la cobertura de Google News sobre el aumento de la demanda no debe interpretarse como una simple victoria de matrícula. Refleja una redistribución del interés dentro de la educación tecnológica.
La alfabetización en IA se está convirtiendo en un requisito general
Las universidades consideran cada vez más la alfabetización en IA como el razonamiento cuantitativo: una capacidad que los graduados necesitan incluso si nunca construyen un modelo.
Peter Stone, presidente del departamento de informática de la University of Texas at Austin, describió directamente esa postura. Sostuvo que los estudiantes necesitan cierta alfabetización en IA, del mismo modo que necesitan matemáticas, lectura y escritura.
Stone desarrolló recientemente un curso introductorio sobre fundamentos de IA para estudiantes ajenos a la informática. La palabra “fundamentos” señala un objetivo educativo distinto del de una secuencia de ingeniería.
Los estudiantes de estos cursos deben comprender qué puede hacer la IA, de dónde proceden sus resultados y por qué sus respuestas pueden fallar.
También deben reconocer las alucinaciones, que son resultados plausibles no respaldados por evidencia fiable. Esta habilidad importa en el derecho, la medicina, la investigación, el periodismo y el trabajo de oficina cotidiano.
Ohio State ha convertido esta premisa en un programa para toda la universidad. Su objetivo es que todos los estudiantes, comenzando con la promoción de 2029, se gradúen con fluidez en IA específica de su campo.
El programa AI Fluency de la universidad incluye enseñanza fundamental sobre IA generativa en un seminario obligatorio y talleres dentro de la experiencia de primer año.
Sus resultados de aprendizaje declarados van más allá de redactar prompts. Los estudiantes deben comprender conceptos fundamentales, evaluar entradas y salidas, valorar la precisión y examinar las implicaciones legales y éticas.
El enfoque de Ohio State podría llegar con el tiempo a unos 53.000 estudiantes universitarios a medida que sus facultades elaboren planes de implementación individuales.
Esta escala demuestra por qué los programas universitarios de IA ya no se limitan a los departamentos de informática. Un único currículo técnico no puede abordar todos los contextos profesionales.
Un estudiante de enfermería necesita evaluar sistemas de apoyo clínico y la privacidad de los pacientes. Un diseñador necesita examinar la autoría, los sesgos y los medios sintéticos.
Un gestor de producto necesita comprobar si un flujo de trabajo automatizado resuelve el problema previsto. Un investigador necesita documentar cuándo la IA ayudó con el análisis o la escritura.
Estas aplicaciones comparten varios fundamentos, pero requieren ejemplos, riesgos y métodos de evaluación diferentes.
El cambio también afecta a cómo los estudiantes organizan el conocimiento. Las herramientas de IA pueden producir respuestas rápidas, pero los estudiantes siguen necesitando material fuente fiable y contexto duradero.
Un sistema personal de conocimiento puede ayudar a los estudiantes a conservar lecturas, apuntes de clase y evidencia antes de pedir a la IA que los conecte. La herramienta no sustituye la experiencia en la materia.
Esta distinción es esencial. La fluidez en IA debe significar un uso informado, no una dependencia continua de un chatbot.
Las universidades también deben decidir si la IA pertenece a cursos dedicados o a asignaturas existentes. Los cursos separados ofrecen concentración, mientras que la enseñanza integrada puede conectar la IA con el trabajo disciplinario auténtico.
Ohio State está utilizando ambas vías. Ofrece formación general al tiempo que pide a las facultades individuales definir cómo se aplica la IA en sus campos.
La estructura de Northwestern sigue la misma lógica amplia. Admite una carrera técnica, una especialización secundaria interdisciplinaria y puntos de entrada para estudiantes que buscan cursos individuales.
Este modelo por capas se está convirtiendo en la respuesta dominante porque los objetivos de los estudiantes varían ampliamente. Algunos necesitan alfabetización, otros competencia aplicada y otros profundidad de ingeniería.
El interés de Google News en la tendencia refleja su amplia audiencia. Casi todos los estudiantes, padres, educadores y empleadores tienen interés en definir correctamente esos niveles.
El auge está superando los estándares curriculares
La rápida expansión crea un problema de calidad porque los programas con etiquetas de IA similares pueden exigir niveles muy distintos de preparación técnica y ética.
Investigadores de Northeastern University cartografiaron más de 350 programas universitarios de IA en universidades estadounidenses de cuatro años durante la primavera de 2026.
Su estudio de mapeo de programas analizó más de 560 instituciones que representan el 86 por ciento de los graduados estadounidenses de informática de grado.
La base de datos incluye carreras principales, programas secundarios, concentraciones y certificados. Esas categorías describen compromisos sustancialmente distintos, aunque los estudiantes pueden encontrarlas bajo la misma etiqueta de IA.
Los investigadores analizaron los requisitos de 66 carreras principales de IA y 87 programas secundarios de IA. Encontraron una variación considerable en el tamaño de los programas y sus planes de estudio.
Todas las carreras principales examinadas exigían un curso general de inteligencia artificial o de aprendizaje automático. Eso establece un mínimo técnico, pero los requisitos éticos fueron menos consistentes.
Más de un tercio de las carreras principales exigían un curso de ética de la IA. Menos de una cuarta parte de los programas secundarios incluían ese requisito.
Estos hallazgos revelan una disyuntiva central. Las universidades quieren lanzar programas relevantes con rapidez, pero una formación responsable en IA exige más que demostraciones de herramientas.
Los estudiantes necesitan comprender los datos de entrenamiento, la incertidumbre estadística, los métodos de evaluación, la privacidad, la seguridad, la propiedad intelectual y los costes medioambientales de la computación.
Los estudiantes técnicos también necesitan bases duraderas. Las interfaces actuales y las marcas de modelos pueden cambiar mucho más rápido que las matemáticas, los algoritmos, el diseño de sistemas y el razonamiento experimental.
Murtaza Ali, investigador doctoral de la University of Washington que estudia la educación en informática, identificó otro riesgo en el informe de AP.
Cuando los estudiantes piden a la IA que escriba código, el sistema también puede realizar parte del análisis subyacente del problema. El resultado puede funcionar aunque el estudiante no haya comprendido el razonamiento.
Esto crea un difícil problema de evaluación. Un programa entregado ya no demuestra de forma fiable si el estudiante puede descomponer la tarea, seleccionar un enfoque y diagnosticar errores.
La misma preocupación se aplica fuera de la programación. Un ensayo pulido no prueba que su autor haya evaluado las fuentes o comprendido el argumento.
Un análisis de mercado generado puede ocultar cifras inventadas. Una imagen sintética puede infringir normas de licencia o reproducir patrones sesgados.
Por tanto, los programas universitarios eficaces de IA deben evaluar el proceso además del resultado. Los estudiantes deberían explicar sus decisiones, comprobar resultados, documentar fuentes e identificar fallos del modelo.
Las tareas pueden requerir defensas orales, ejercicios en clase, registros de desarrollo o evaluaciones prácticas controladas. De lo contrario, las universidades corren el riesgo de certificar acceso a herramientas en vez de competencia.
La capacidad del profesorado presenta otra limitación. La demanda de cursos de IA puede aumentar en cuestión de meses, pero contratar especialistas y aprobar planes de estudio suele llevar mucho más tiempo.
Paul LeBlanc, investigador de educación en Harvard y antiguo presidente universitario, reconoció que las instituciones no pueden igualar perfectamente el ritmo de la tecnología.
Ese desfase no justifica planes de estudio estáticos. Sí implica que las instituciones deberían evitar diseñar programas enteros en torno a características temporales de productos.
También existe un incentivo de marca. La IA atrae solicitantes, donantes, socios de investigación y atención institucional.
Las universidades pueden cambiar el nombre de itinerarios existentes de ciencia de datos o informática más rápido de lo que pueden crear programas académicos genuinamente distintos.
Por ello, los estudiantes deberían examinar los requisitos de las asignaturas en lugar de basarse en los títulos de los programas. Un título técnico creíble debería mostrar sus fundamentos de matemáticas, informática, datos, sistemas y evaluación.
Un programa secundario aplicado debería definir con claridad qué pueden evaluar o producir sus graduados. Un requisito general de alfabetización debería abordar las pruebas, las limitaciones y el uso responsable.
Los hallazgos de educación en IA de 2026 añaden otra advertencia. Los programas relacionados con IA están creciendo mientras el acceso y la preparación siguen siendo desiguales.
La expansión no resuelve automáticamente esas brechas. Los estudiantes de universidades con buena financiación pueden recibir enseñanza especializada, acceso a computación y oportunidades de investigación.
Otros pueden recibir un breve taller basado en herramientas comerciales. Ambos grupos podrían salir con credenciales que los describen como competentes en IA, pese a una preparación diferente.
Ese es el principal desafío tras el auge. Las universidades deben ampliar el acceso sin reducir la educación en IA a prompts y tutoriales de productos.
La informática tradicional sigue proporcionando las bases
El auge de la IA interdisciplinaria no vuelve obsoleta a la informática; hace menos visibles los límites que rodean a la informática.
Los sistemas modernos de IA dependen de décadas de trabajo en algoritmos, ingeniería de software, estadística, bases de datos, sistemas distribuidos y arquitectura de computadoras.
La nueva carrera principal de Northwestern reconoce esa herencia. Su plan de estudios incluye estructuras de datos, fundamentos matemáticos, programación, infraestructura, aprendizaje automático y procesamiento del lenguaje natural.
También añade áreas que los programas convencionales a veces trataban como secundarias. Entre ellas se encuentran el diseño centrado en las personas, la privacidad, la sostenibilidad y la propiedad intelectual.
Esta combinación muestra por qué plantear “IA frente a informática” es incompleto. La educación en IA reorganiza el plan de estudios, pero no escapa a los fundamentos de la computación.
Un estudiante que aprende a desplegar un modelo debe entender cómo se mueven los datos por un sistema. La fiabilidad exige pruebas, monitorización, controles de acceso y gestión de fallos.
Un estudiante que evalúa resultados generados necesita estadística y conocimiento del dominio. Sin esas bases, la confianza puede aumentar más rápido que la competencia.
Por tanto, el mejor mapa de oposición es alfabetización amplia en IA frente a profundidad de credenciales. Las universidades deben decidir qué necesita todo estudiante y qué solo pueden realizar responsablemente los especialistas.
Para quienes no cursan una carrera principal, el objetivo debería ser una aplicación informada. Los estudiantes deberían saber cuándo la IA encaja en una tarea, cómo validar resultados y cuándo el juicio humano debe seguir siendo decisivo.
Para los especialistas técnicos, las expectativas deberían ser más altas. Deberían comprender el entrenamiento de modelos, la evaluación, la infraestructura, la seguridad, la optimización y las consecuencias del despliegue.
Las universidades también necesitan puentes entre estos grupos. Los proyectos interdisciplinarios funcionan mejor cuando los participantes comprenden las suposiciones y límites de los demás.
Un estudiante de música podría definir un requisito artístico mientras un estudiante de informática diseña el sistema de procesamiento. Ambos deberían evaluar la atribución, el consentimiento y la calidad del resultado.
Un estudiante de psicología podría identificar una pregunta de investigación mientras un especialista en datos desarrolla un flujo de análisis. Ambos deben reconocer los problemas de muestreo y los riesgos de privacidad.
Estas colaboraciones explican por qué los departamentos de informática siguen ocupados pese a la menor matrícula en carreras principales. Su enseñanza ahora atiende a una parte mayor de la universidad.
Sin embargo, los departamentos no pueden absorber una demanda ilimitada sin cambiar la dotación de personal y el diseño de los cursos. Las clases introductorias para estudiantes ajenos a la especialidad requieren un ritmo distinto al de las secuencias para especialistas.
El profesorado también debe determinar qué prerrequisitos son realmente necesarios. Eliminar barreras innecesarias puede ampliar el acceso, pero eliminar fundamentos esenciales puede debilitar el aprendizaje.
La cobertura de Google News tiende a condensar estas distinciones en una única narrativa de auge. La transformación subyacente de los campus es más estructural.
La informática está pasando de ser una carrera de destino a convertirse en infraestructura académica compartida. Sus conceptos respaldan cada vez más cursos en toda la institución.
Esta transición puede fortalecer el campo si las universidades la financian. También puede sobrecargar los departamentos si los responsables añaden requisitos sin instructores, asistentes docentes ni recursos informáticos.
Por tanto, la caída de la matrícula no debería tratarse como prueba de que la computación ha perdido relevancia. Muestra que los estudiantes están reevaluando cómo quieren adquirir esa relevancia.
Algunos elegirán títulos técnicos completos. Otros combinarán cursos específicos de computación con experiencia en salud, finanzas, ciencia, gobierno o trabajo creativo.
Con el tiempo, los empleadores pondrán a prueba si estas combinaciones producen un juicio útil. Los nombres de los títulos por sí solos no resolverán esa cuestión.
Lo que estudiantes y universidades deberían observar a continuación
La próxima prueba es si el crecimiento de la matrícula en IA produce habilidades duraderas, evaluaciones creíbles y mejores resultados laborales.
La primera señal será la finalización y progresión de los cursos. La matrícula inicial puede reflejar curiosidad, pero la participación en cursos avanzados muestra si los estudiantes están desarrollando competencia sostenida.
Las universidades deberían publicar cuántos estudiantes pasan de cursos introductorios de alfabetización a programas secundarios, carreras principales, proyectos de investigación o trabajo disciplinario aplicado.
Si la progresión se mantiene sólida, el auge refleja algo más que interés temporal. Si la matrícula se desploma tras una clase introductoria, la demanda puede ser amplia pero superficial.
La segunda señal será la calidad curricular. La investigación de mapeo de programas ya muestra una gran variación en los requisitos técnicos y éticos.
Los organismos de acreditación, grupos de profesorado y empleadores podrían empezar a definir expectativas más claras para carreras principales, programas secundarios y credenciales de alfabetización general en IA.
Eso fortalecería el cambio actual al hacer que las credenciales sean más fáciles de interpretar. Una inconsistencia continuada debilitaría la confianza en las nuevas etiquetas de programas.
La tercera señal llegará del mercado laboral. Las universidades responden en parte a las preguntas de los empleadores sobre las capacidades de IA de los graduados.
Las instituciones necesitarán pruebas de que los graduados formados en IA pueden evaluar sistemas, trabajar entre disciplinas y realizar tareas que vayan más allá del uso rutinario de herramientas.
Los resultados de las prácticas, el empleo de los graduados, la calidad de los portafolios y la opinión de los empleadores importarán más que el número de cursos recién anunciados.
Los estudiantes también deberían observar cómo cambian los puestos de nivel inicial. Menos vacantes convencionales de software no significan necesariamente menos trabajo técnico.
Las empresas pueden buscar candidatos que combinen programación con criterio de producto, seguridad, investigación, operaciones o conocimiento especializado de un sector.
Las universidades deben tener cuidado al interpretar esas señales. La debilidad de contratación a corto plazo puede cambiar antes de que se gradúe una cohorte de cuatro años.
Un plan de estudios diseñado solo para las ofertas de empleo actuales puede quedar desfasado rápidamente. El razonamiento duradero y las bases técnicas ofrecen mejor protección frente a ese ciclo.
Los programas universitarios de IA más sólidos probablemente compartirán cuatro cualidades.
Distinguen la alfabetización general de la ingeniería especializada.
Exigen a los estudiantes verificar resultados y documentar fuentes.
Combinan experiencia en el dominio con una profundidad técnica adecuada.
Evalúan el razonamiento independiente, no solo resultados pulidos con ayuda de IA.
Los estudiantes que evalúan un programa deberían hacer preguntas igual de directas. ¿Qué pueden construir o evaluar los graduados y cómo pone a prueba la universidad esas capacidades?
Deberían revisar los prerrequisitos, las asignaturas obligatorias, la experiencia del profesorado, las oportunidades de proyectos y las normas para el uso responsable de la IA.
También deberían preguntarse si un programa secundario complementa su campo principal o simplemente añade otra credencial. La respuesta depende del trabajo que quieran realizar.
Para las universidades, la tarea es más difícil. Deben ampliar el acceso sin fingir que un curso convierte a cada estudiante en especialista en IA.
Deben preservar los fundamentos de la informática al tiempo que reconocen que la competencia en IA ahora pertenece a todo el plan de estudios.
Por tanto, el auge de Google News es un indicador temprano, no un veredicto final. La matrícula demuestra atención, pero todavía no demuestra valor educativo.
El resultado significativo aparecerá cuando los graduados se enfrenten a sistemas desconocidos y pruebas ambiguas. ¿Pueden cuestionar resultados, poner a prueba supuestos y tomar decisiones responsables?
Los estudiantes que eligen cursos este año deberían mirar más allá de la etiqueta de IA. Encuentren el programa que les enseñe aquello que el sistema no puede decidir por ustedes.
