El caso de trampas con IA en Brown University expone una crisis en los exámenes universitarios

El profesor de Brown University Roberto Serrano identificó un conflicto llamativo después de que un examen parcial para realizar en casa arrojara un promedio de clase del 96 por ciento. La naturaleza cambiante de la seguridad de los exámenes se hizo evidente cuando ese promedio cayó bruscamente bajo supervisión. Su caso sugiere que las universidades no pueden proteger los estándares académicos añadiendo otra herramienta de detección a un sistema de evaluación sin cambios.

Serrano imparte Economía del Bienestar y Teoría de la Elección Social, un curso avanzado de economía matemática. Permitió exámenes para realizar en casa después de que los estudiantes expresaran ansiedad tras un tiroteo mortal ocurrido en diciembre de 2025 en el campus de Brown. Según un caso de aula reportado, posteriormente encontró indicios de uso generalizado y no autorizado de IA durante el curso.

La disputa es más amplia que una clase o un chatbot. Las universidades prometen aprendizaje flexible al tiempo que certifican que estudiantes identificados han dominado habilidades definidas. La IA generativa dificulta conciliar esos compromisos cada vez que el trabajo se realiza fuera de condiciones controladas.

Brown enfrenta ahora la misma elección que afrontan universidades de todo el mundo. Puede tratar las trampas con IA principalmente como una falta individual, o puede rediseñar la evaluación en torno al aprendizaje verificable. La primera vía preserva procedimientos conocidos. La segunda acepta que esos procedimientos ya no proporcionan evidencia suficiente.

Un parcial del 96 por ciento hizo saltar las alarmas

El cambio importante no fue que los estudiantes tuvieran acceso a ChatGPT. Fue que un examen establecido dejó de producir evidencia creíble de aprendizaje individual.

Serrano había impartido el curso durante casi dos décadas y normalmente matriculaba a unos 30 estudiantes. En la primavera de 2026, la matrícula alcanzó 86 después de que ofreciera exámenes para realizar en casa. El acuerdo concedía a los estudiantes tiempo ilimitado y respondía a preocupaciones legítimas sobre el regreso a las aulas.

El parcial para realizar en casa produjo una nota media del 96 por ciento. Serrano dijo que los promedios históricos de los parciales habían oscilado entre el 65 y el 80 por ciento, aunque el nuevo examen era más difícil. Según los informes, casi la mitad de la clase obtuvo una puntuación perfecta.

Las notas altas por sí solas no prueban una falta. Una clase excepcionalmente fuerte, tiempo ilimitado de trabajo, colaboración, mejor preparación o diferencias entre exámenes pueden modificar la distribución de las calificaciones. Esta limitación importa porque una acusación puede afectar la educación y la reputación de un estudiante.

Serrano encontró otra señal en el propio trabajo. Según los informes, varias respuestas utilizaron un argumento indirecto por contradicción cuando una demostración matemática directa era más natural. Cuando Serrano y sus correctores introdujeron la pregunta en ChatGPT, este produjo un enfoque similarmente rebuscado.

Esa semejanza despertó sospechas, pero aun así no identificaba qué estudiante utilizó qué herramienta. Los modelos de lenguaje pueden generar respuestas diferentes a una misma indicación. Los estudiantes también pueden converger en métodos inusuales tras usar apuntes compartidos o debatir juntos un problema.

Serrano respondió trasladando el examen final a un aula supervisada. Dijo a los estudiantes que el parcial contaría si el final producía una distribución aproximadamente comparable. De lo contrario, cambiaría la ponderación.

Los cambios en matrícula y rendimiento fueron drásticos. Los reportes sobre el incidente indican que 27 estudiantes abandonaron el curso, incluidos 22 que habían obtenido puntuaciones perfectas en el parcial. Cincuenta y nueve estudiantes realizaron el final, 19 suspendieron y el promedio final cayó a cerca del 49 por ciento.

Según los informes, solo dos estudiantes obtuvieron una puntuación dentro de diez puntos porcentuales de su resultado en el parcial. El patrón refuerza la afirmación de Serrano de que las puntuaciones del examen para realizar en casa no reflejaban dominio independiente. No establece el uso de IA en cada caso individual.

Esa distinción define el problema institucional. Las universidades necesitan evidencia suficiente para proteger una titulación sin tratar la sospecha estadística como culpabilidad automática. Un proceso diseñado únicamente para casos aislados de plagio tiene dificultades cuando una evaluación produce decenas de entregas cuestionables.

Según los informes, Brown pidió a Serrano que presentara denuncias contra estudiantes individuales y proporcionara cada examen para su revisión. Un portavoz de la universidad dijo que el proceso sigue siendo el mismo, tanto si una alegación concierne a un estudiante como a varios. Serrano sostuvo que esa respuesta no puede gestionar una falta a esta escala.

La cautela de la universidad tiene un propósito defendible. La disciplina académica exige notificación, pruebas y una oportunidad para que los estudiantes respondan. Sin embargo, un procedimiento caso por caso se vuelve inadecuado cuando el propio diseño de la evaluación genera incertidumbre en la mayor parte de una clase.

Por eso el episodio importa más allá de Brown. El fracaso ocurrió antes de cualquier resolución formal de mala conducta. Ocurrió cuando la universidad ya no podía explicar con confianza qué medían sus calificaciones.

La naturaleza cambiante de las trampas con IA eleva lo que está en juego

Las universidades no solo vigilan la asistencia prohibida. También defienden si un título sigue certificando el conocimiento y el criterio de una persona.

Aquí, la naturaleza cambiante de las trampas con IA describe una frontera móvil. Cada mejora en el razonamiento de los modelos amplía el abanico de tareas no supervisadas que el software puede completar de forma convincente. Una evaluación considerada segura este semestre puede volverse vulnerable antes de que comience el siguiente curso.

La IA generativa es software que produce texto, imágenes, código u otro contenido nuevo a partir de las instrucciones de un usuario. No necesita reproducir una fuente palabra por palabra. Eso hace menos útiles las comprobaciones convencionales de plagio, porque el resultado puede ser original en su redacción, pero no en su autoría.

La economía matemática alguna vez pareció más resistente que la redacción convencional de ensayos. Los estudiantes debían seleccionar argumentos, construir demostraciones y conectar resultados formales. El relato de Serrano sugiere que las herramientas actuales pueden producir respuestas lo bastante plausibles como para obtener notas altas, incluso cuando su razonamiento resulta forzado.

La presión recae primero sobre los docentes. Deben establecer reglas sobre la IA, diseñar tareas, impartir el curso, examinar trabajos sospechosos, documentar casos y defender sus decisiones. Muchos han recibido poca formación para cualquiera de esas responsabilidades.

Los estudiantes afrontan otra forma de presión. Las reglas difieren entre cursos, departamentos y docentes. Una herramienta permitida para generar ideas en una clase puede constituir una falta en otra. Los límites ambiguos dificultan el cumplimiento honesto y hacen que la aplicación de las normas sea menos coherente.

Los administradores asumen el riesgo institucional. Los empleadores y los organismos profesionales dan por sentado que un expediente académico refleja competencias demostradas. Si las universidades no pueden verificar esa competencia, la confianza en las calificaciones y las credenciales se debilitará.

El regulador australiano de educación superior define la seguridad de las evaluaciones como medidas que refuerzan las tareas frente a las trampas. Sus directrices sobre seguridad de las evaluaciones vinculan una evaluación creíble con la confianza pública en las titulaciones. Ese enfoque desplaza el asunto más allá de atrapar a quienes incumplen las normas.

Por lo tanto, las universidades necesitan dos tipos de evaluación. Algunas tareas deberían ayudar a los estudiantes a aprender con IA, mientras que otras deben verificar lo que pueden hacer de forma independiente. Confundir esos propósitos produce o bien externalización sin restricciones o bien prohibición generalizada.

Una tarea de aprendizaje puede permitir experimentación, borradores, retroalimentación o comparación asistida por IA. Una tarea de verificación debe establecer autoría y competencia en condiciones apropiadas para el resultado de aprendizaje. Rara vez la misma tarea sirve igual de bien para ambos fines.

Esto no exige que todos los exámenes vuelvan a los cuadernos escritos a mano. Sí exige que los responsables de los programas identifiquen qué resultados demandan desempeño independiente. El cálculo, el diagnóstico, la interpretación, la defensa oral, la evaluación de fuentes y el criterio profesional requieren métodos de verificación distintos.

Un estudiante podría usar IA para preparar, por ejemplo, un análisis de políticas públicas. Después podría defender oralmente sus supuestos, reproducir un cálculo clave y explicar por qué pruebas alternativas modifican la conclusión. Esa secuencia evalúa tanto la alfabetización en IA como la comprensión personal.

El profesorado también necesita apoyo ante el aumento de la carga de trabajo. Las comprobaciones orales, las tareas por etapas y las actividades supervisadas consumen tiempo. Las universidades no pueden anunciar una reforma de la evaluación mientras dejan que cada docente absorba todos los costes operativos.

El caso de Brown presionó a un profesor porque un problema institucional de garantía de calidad afloró dentro de un curso. Las universidades deben invertir esa distribución. Los programas deberían asumir la responsabilidad de la seguridad de las evaluaciones, mientras que los docentes aplican un diseño compartido.

La detección no puede sostener el sistema de integridad académica

Los detectores de IA no pueden resolver un conflicto que comienza con evidencia débil de autoría y termina en decisiones disciplinarias de alto impacto.

Las herramientas de detección de IA estiman si un texto se parece a una redacción generada por una máquina. No observan cómo un estudiante creó el trabajo. Por tanto, su resultado es una inferencia, no un registro de conducta.

Los falsos positivos pueden exponer a estudiantes honestos a acusaciones. Los falsos negativos pueden absolver usos indebidos sofisticados. La edición, la traducción, el refinamiento de indicaciones, la redacción mixta entre humanos y máquinas, y las actualizaciones de modelos pueden afectar el resultado.

El problema se vuelve especialmente grave para estudiantes que escriben en una segunda lengua. Un vocabulario formulaico o estructuras de oración predecibles pueden parecerse al resultado de un modelo. Una institución que trate la puntuación de un detector como prueba corre el riesgo de confundir patrones lingüísticos con mala conducta.

La Quality Assurance Agency aconseja a las instituciones considerar los límites de la detección, incluidos los falsos positivos y la evasión. Su kit de herramientas de evaluación recomienda revisar las tareas de alto impacto, aclarar el uso permitido de IA y exigir transparencia cuando corresponda.

Serrano no se basó únicamente en un detector. Comparó el rendimiento histórico, los cambios en matrícula, los patrones de las soluciones, las respuestas generadas por modelos, los abandonos y el final supervisado. En conjunto, esas señales conformaron un argumento sólido de que el parcial no era una medición fiable.

Aun así, dejan sin responder preguntas sobre individuos. El examen final podría haber sido más difícil. Los estudiantes podrían haber experimentado mayor ansiedad bajo supervisión. Los abandonos del curso modificaron la población que se comparaba. Una reciente crítica estadística sostiene que estas explicaciones alternativas limitan lo que las diferencias de puntuación pueden demostrar.

Esa crítica no restaura la confianza en el parcial. Muestra por qué las universidades deben separar dos decisiones. Una pregunta si una evaluación sigue siendo válida. La otra pregunta si un estudiante concreto cometió una falta.

Una institución puede invalidar o reducir el peso de una evaluación comprometida sin condenar automáticamente a cada estudiante. Después puede iniciar medidas disciplinarias individuales solo cuando las pruebas alcancen un estándar definido. Este enfoque protege tanto la integridad de las credenciales como el debido proceso.

Las universidades también deberían preservar la evidencia producida durante el aprendizaje. Los historiales de borradores, las fuentes anotadas, los cálculos, los registros de laboratorio, los commits de código y las breves reflexiones pueden mostrar cómo se desarrolló un trabajo. Estos registros son más informativos que un documento final visto de forma aislada.

La evidencia del proceso debe seguir siendo proporcional. La vigilancia continua generaría riesgos para la privacidad y podría convertir la educación en una forma de supervisión laboral. Las instituciones deberían recopilar solo lo que respalde el resultado de aprendizaje declarado y las normas de evaluación publicadas.

La divulgación del uso de IA ofrece otra capa. Los estudiantes pueden identificar la herramienta, describir su función permitida, guardar los prompts pertinentes y explicar qué afirmaciones verificaron. La divulgación no impide el uso indebido oculto, pero hace que el uso autorizado sea auditable.

El mismo principio ayuda a los estudiantes a crear una base de conocimientos personal. Las notas de fuentes, las revisiones y los registros de razonamiento pueden documentar el desarrollo intelectual sin reducir el aprendizaje a una puntuación de detector.

Una política clara debe acompañar esa evidencia. «Usa la IA de forma responsable» es demasiado impreciso para una tarea calificada. Una evaluación debería indicar si la IA puede generar ideas, editar textos, producir código, resolver problemas o proporcionar citas.

Las reglas también deberían explicar qué deben entregar los estudiantes. Si se requieren prompts, debe indicarse cuáles y en qué formato. Si puede haber una verificación oral posterior, esto debe comunicarse antes de que los estudiantes comiencen la tarea.

La carga pasa entonces de adivinar si un texto «parece hecho por IA» a verificar una conducta definida frente a requisitos conocidos. Esa es una base más justa para la integridad académica.

Las universidades necesitan verificaciones seguras y aprendizaje con IA

La respuesta viable es un sistema de evaluación de dos vías, no una prohibición universal ni un uso irrestricto de la IA.

La primera vía debería incluir evaluaciones seguras que verifiquen capacidades individuales esenciales. Pueden incluir exámenes supervisados, defensas orales, resolución de problemas en directo, demostraciones prácticas o tareas digitales controladas. El formato debe corresponder a la habilidad que se certifica.

La segunda vía debería incluir evaluaciones abiertas en las que se permita o exija el uso de IA. Los estudiantes pueden comparar resultados de modelos, identificar errores, mejorar razonamientos débiles y documentar decisiones. Estas tareas tratan la alfabetización en IA como un resultado de aprendizaje, en lugar de como un atajo oculto.

Cada programa debe decidir cuánta evidencia corresponde a cada vía. Un curso de medicina requiere demostraciones seguras del juicio clínico. Un curso de software podría permitir asistencia de IA para programar, al tiempo que exige a los estudiantes explicar, probar y modificar en directo el código generado.

La economía ofrece un ejemplo claro. Los estudiantes podrían usar un modelo para proponer un argumento de bienestar durante una tarea abierta. Una tarea segura posterior podría pedirles derivar un resultado, identificar supuestos ocultos y defender las implicaciones de política pública.

La naturaleza cambiante de las capacidades de los modelos implica que las universidades deberían revisar este equilibrio con regularidad. Una política estática envejece rápidamente porque las herramientas siguen adquiriendo nuevas funciones de razonamiento, programación, navegación y multimedia.

La revisión a nivel de programa importa más que los cambios aislados en cada curso. Si cada docente responde de forma independiente, los estudiantes se enfrentarán a un mosaico confuso. Algunos cursos se volverán excesivamente restrictivos, mientras otros seguirán usando tareas que ya no verifican el aprendizaje.

Los principios de reforma de la evaluación desarrollados para el regulador de Australia recomiendan diseñar la evaluación en todos los programas. También distinguen la evaluación para el aprendizaje de la evaluación que acredita el aprendizaje.

Esa distinción debería orientar las decisiones sobre recursos. Las universidades necesitan suficiente capacidad de supervisión para verificar resultados de alto valor. También necesitan diseñadores de aprendizaje que puedan ayudar al profesorado a crear tareas abiertas que utilicen IA sin renunciar al objetivo del curso.

La evaluación segura no significa recrear todos los exámenes anteriores a la era digital. Las pruebas tradicionales cronometradas pueden premiar la memoria y pasar por alto la investigación, la colaboración o el juicio profesional. El objetivo es una competencia verificada, no la nostalgia.

La evaluación oral también tiene límites. Puede perjudicar a estudiantes con ansiedad, plantear problemas de accesibilidad y consumir mucho tiempo del personal. Las universidades deberían usar verificaciones orales breves y estructuradas cuando aporten evidencia significativa.

La verificación aleatoria puede reducir la carga de trabajo. Un docente podría seleccionar un número limitado de afirmaciones entregadas para pedir una explicación, o solicitar a los estudiantes que reproduzcan un paso esencial. Los estudiantes sabrían que cualquier parte de su trabajo debe poder defenderse.

Los portafolios de evaluación ofrecen otra opción. Un portafolio combina varias piezas de evidencia recopiladas a lo largo del tiempo. Así, una entrega sospechosa tiene menos peso, mientras que los patrones de crecimiento y desempeño independiente se vuelven más fáciles de observar.

Las universidades deberían priorizar los cursos de acceso de alto impacto y el trabajo del último año. Estas evaluaciones conllevan el mayor riesgo para la credencial. Reconstruir de inmediato todos los cuestionarios de bajo valor desperdiciaría el tiempo limitado del personal.

Las políticas también necesitan consecuencias calibradas. La externalización deliberada de un examen prohibido constituye una falta grave. Un error de divulgación por primera vez bajo reglas confusas merece una respuesta distinta. Una única sanción no puede aplicarse a todas las formas de uso de IA.

Según se informó, el comité de Brown recomendó expectativas más claras y desaconsejó un enfoque excesivo en el castigo. Esa postura es compatible con una mayor seguridad en las evaluaciones. La prevención, la verificación, la educación y la disciplina cumplen funciones diferentes.

Un sistema seguro reduce las oportunidades de mala conducta antes de que sea necesario recurrir al castigo. Indica a los estudiantes qué evidencia deben producir y por qué la capacidad independiente sigue siendo importante. La aplicación de las normas se vuelve entonces más creíble porque las reglas y las condiciones de evaluación están alineadas.

Las universidades deberían involucrar a los estudiantes en el rediseño. Los estudiantes saben dónde entran en conflicto las políticas, qué herramientas ya normalizan los cursos y cómo las presiones de carga de trabajo moldean el comportamiento. Su participación puede revelar vacíos y mejorar el cumplimiento.

El desarrollo del profesorado es igualmente importante. La guía educativa de la UNESCO insta a las instituciones a evaluar la idoneidad pedagógica y ética de la IA. Esto exige formación en diseño de evaluaciones, privacidad, limitaciones de los modelos y acceso equitativo.

La equidad no puede ser una consideración tardía. Si se exige el uso de IA, todos los estudiantes necesitan acceso a una herramienta adecuada. Si es opcional, los estudiantes necesitan una vía viable sin IA y sin desventaja académica.

La accesibilidad también debe dar forma a las evaluaciones seguras. La supervisión, la escritura a mano, las preguntas orales y el software bloqueado pueden crear barreras. Las universidades deberían preservar las adaptaciones mientras mantienen estándares equivalentes de verificación.

El objetivo no es eliminar toda mala conducta. Ningún sistema de evaluación ha logrado eso jamás. El objetivo es dificultar las trampas, aclarar la participación honesta y hacer defendibles las titulaciones.

Tres señales mostrarán si las universidades hablan en serio

La próxima prueba es si las instituciones cambian las operaciones de evaluación, no si publican otra declaración general sobre la IA responsable.

La primera señal es el mapeo de evaluaciones a nivel de programa. Las universidades deberían identificar los resultados de aprendizaje que requieren verificación independiente y mostrar dónde se realizan esas comprobaciones. Una política sin este mapa deja sin respuesta la cuestión central sobre la credencial.

El mapeo reforzaría el argumento a favor de una reforma estructural porque convierte una preocupación general en un diseño sujeto a rendición de cuentas. Si las universidades siguen delegando el asunto a docentes individuales, la experiencia de Brown se repetirá en otros cursos.

La segunda señal es la inversión en capacidad de verificación. Hay que observar los espacios de evaluación supervisada, los evaluadores orales capacitados, los diseñadores de aprendizaje, los sistemas de evaluación accesibles y los ajustes de carga de trabajo. Una reforma sin personal seguirá siendo desigual y frágil.

Esta inversión no necesita convertir cada tarea en una actividad controlada. Debería centrarse en los puntos de alto impacto en los que un programa certifica una competencia esencial. Las instituciones deberían publicar suficiente información para que estudiantes y empleadores entiendan esa garantía.

La tercera señal es un estándar de evidencia justo para las faltas relacionadas con la IA. Las universidades necesitan reglas escritas que expliquen cómo se evaluarán los resultados de detectores, el historial de documentos, la verificación oral, los errores coincidentes y las anomalías de desempeño. También deberían definir los procedimientos de apelación.

Un estándar claro reforzaría la confianza incluso cuando los casos concluyan sin sanción. Mostraría que las instituciones pueden distinguir entre una evaluación comprometida y una infracción individual probada. Seguir tratando las puntuaciones de detectores como decisivas debilitaría esa confianza.

El caso de Brown sigue siendo una alegación de asistencia no autorizada generalizada, no una resolución concluida contra cada estudiante. La evidencia genera serias dudas sobre el examen parcial para llevar a casa, mientras persiste la incertidumbre sobre la responsabilidad individual.

Esa incertidumbre no es una razón para preservar exámenes vulnerables. Es la razón para rediseñarlos. Una mejor evaluación crea evidencia directa del aprendizaje antes de que los administradores deban reconstruir la autoría después de la entrega.

La naturaleza cambiante de las trampas con IA garantiza que la detección técnica seguirá persiguiendo un objetivo móvil. Las universidades controlan una palanca más duradera: qué piden demostrar a los estudiantes, en qué condiciones y con qué evidencia de respaldo.

Los estudiantes deberían preguntarse si sus programas separan claramente el aprendizaje habilitado por IA de la verificación independiente. El profesorado debería preguntarse si los procedimientos institucionales pueden gestionar un fallo de evaluación que afecte a toda una clase. Los empleadores deberían preguntarse cómo garantizan las universidades las capacidades que hay detrás de un título.

El episodio de Brown ofrece una advertencia, pero también una dirección práctica. Las universidades deberían asegurar las evaluaciones esenciales, enseñar un uso transparente de la IA, preservar evidencia de proceso proporcional y aplicar el debido proceso a las alegaciones individuales.

La pregunta más importante ya no es si los estudiantes pueden usar IA para completar tareas tradicionales. Pueden hacerlo. La cuestión es si las universidades rediseñarán la evaluación antes de que la confianza en sus credenciales caiga tan bruscamente como las puntuaciones del examen de Serrano.