La guía de evaluación con IA de Office for Students pone los trabajos académicos bajo presión
La Office for Students está instando a las universidades de Inglaterra a ampliar las evaluaciones sin IA, al tiempo que siguen enseñando a los estudiantes a utilizar la inteligencia artificial. Publicada el 11 de noviembre, la guía de evaluación con IA de la Office for Students aborda una brecha cada vez mayor: unos trabajos académicos pulidos no demuestran necesariamente la comprensión de un estudiante.
El conflicto central se refiere a lo que una universidad puede establecer a partir del trabajo entregado. Un ensayo puede cumplir los criterios de calificación y, aun así, revelar poco sobre el razonamiento independiente de su autor. A la inversa, utilizar IA durante la preparación no significa automáticamente que un estudiante haya evitado aprender o infringido las normas de evaluación.
Un experimento anterior de la University of Reading expuso la dificultad de identificar entregas realizadas con IA mediante la calificación ordinaria. El regulador inglés responsabiliza ahora a las instituciones de diseñar evaluaciones que acrediten el rendimiento estudiantil. Esto presiona a las universidades, a los proveedores de software de evaluación y a los estudiantes que se enfrentan a expectativas inconsistentes.
La guía de evaluación con IA de Office for Students se centra en la evidencia del aprendizaje
La intervención del regulador cuestiona la evidencia que respalda una calificación, al tiempo que deja espacio para evaluaciones que permitan la IA.
La OfS publicó su investigación institucional sobre IA con Advance HE el 11 de noviembre. Realizado entre junio y septiembre de 2026, el proyecto incluyó conversaciones con más de 300 estudiantes y miembros del personal de más de 120 instituciones.
Sus hallazgos describen preocupaciones sobre tareas no supervisadas que la IA puede completar sin que los estudiantes demuestren los conocimientos previstos. Los participantes también describieron usos beneficiosos para el estudio e incertidumbre sobre las políticas de evaluación. Estos testimonios identifican problemas institucionales; no establecen una tasa nacional de trampas académicas.
La frase ampliamente difundida “casi imposible” refleja la preocupación de un miembro del personal sobre la evaluación de estudiantes en algunas áreas. Tratar esa afirmación como un hallazgo universal eliminaría matices importantes. El informe no establece que todos los ensayos sean generados por IA ni que todas las calificaciones de trabajos académicos carezcan de valor.
La guía de cumplimiento de evaluación que la acompaña explica cómo se aplican las condiciones de calidad existentes. B1 se refiere a la experiencia académica, B2 aborda los recursos y el apoyo, y B4 cubre la evaluación y las titulaciones creíbles.
La guía respalda las evaluaciones seguras cuando sean necesarias. Estas impiden el uso de IA e incluyen exámenes, presentaciones, exámenes orales, actuaciones y tareas prácticas. También permite la IA cuando la evaluación sigue midiendo los resultados de aprendizaje previstos.
Esa distinción cambia la pregunta institucional. Una universidad no puede resolver el asunto simplemente declarándose favorable a la IA o comprometida con la integridad académica. Necesita una explicación defendible de lo que cada evaluación establece sobre el estudiante.
Consideremos una tarea ilustrativa de economía que pida a los estudiantes evaluar una propuesta de política pública. Un ensayo final convincente podría mostrar una argumentación sólida o reflejar una asistencia extensa. Sin más evidencia, el evaluador se enfrenta a incertidumbre sobre la contribución del estudiante.
Cambiar la fuente, añadir una declaración o recordar a los estudiantes la conducta indebida no resuelve esa incertidumbre. Esas medidas comunican expectativas, pero no mejoran necesariamente la evidencia que respalda la calificación.
Una evaluación que exija a los estudiantes explicar sus supuestos crea una base distinta para el juicio. El docente puede examinar por qué se seleccionó un modelo, qué evidencia importa y cómo se descartaron explicaciones alternativas.
Por tanto, la importancia práctica de la guía de evaluación con IA de Office for Students va más allá del formato de un examen. Su exigencia central es que las instituciones conecten el trabajo que califican con las capacidades que afirman certificar.
Esa conexión también explica por qué los trabajos académicos siguen formando parte del debate. Los proyectos extensos pueden revelar investigación, revisión y razonamiento sostenido. El reto consiste en preservar esas fortalezas al tiempo que se establece a quién pertenece la comprensión que representa el trabajo terminado.
Las universidades deben defender lo que sus calificaciones realmente certifican
La presión inmediata recae sobre las instituciones que otorgan titulaciones, incluidas aquellas con políticas claras pero evidencia débil del rendimiento estudiantil.
La OfS ha vinculado la calidad de la evaluación con sus responsabilidades regulatorias. En su anuncio sobre evaluación con IA, identifica posibles respuestas ante fallos institucionales, entre ellas condiciones, sanciones económicas y restricciones de financiación.
Se trata de herramientas regulatorias, no de evidencia de que una universidad ya haya recibido una sanción por este informe. La distinción importa porque una advertencia establece expectativas sin acreditar un resultado de aplicación de sanciones.
Josh Fleming, director de estrategia y ejecución de la OfS, pidió un mayor uso de evaluaciones sin IA. Kathryn Harrison-Graves, subdirectora ejecutiva de Advance HE, destacó la orientación institucional, las directrices coherentes y los recursos para el personal y los estudiantes.
Estas posturas abordan partes diferentes del mismo problema. La evaluación controlada puede reforzar la confianza en el desempeño individual. La coordinación institucional ayuda a determinar dónde corresponde ese enfoque y si los departamentos pueden aplicarlo de manera coherente.
Para los dirigentes universitarios, la presión resultante va más allá de los equipos de conducta académica indebida. El diseño de la evaluación afecta a la dotación de personal, los horarios de enseñanza, la disponibilidad de aulas, la accesibilidad y la relación entre los objetivos del curso y las titulaciones finales.
Un examen oral requiere a alguien cualificado para formular preguntas de seguimiento útiles. Una tarea práctica requiere condiciones adecuadas y una calificación coherente. Una tarea revisada exige que los docentes acuerden qué constituye un razonamiento satisfactorio.
Estas son consideraciones de implementación, más que costes medidos en el informe. Explican por qué adoptar una nueva política de evaluación es más fácil que demostrar que la política funciona en toda una universidad.
Para los docentes, el cambio también transforma el papel de la calificación. Leer una respuesta final sigue siendo necesario, pero la confianza depende cada vez más de la evidencia recopilada en torno a esa respuesta.
Un docente podría comparar un proyecto con la explicación del estudiante sobre su decisión central. Otro podría evaluar una tarea aplicada durante una sesión supervisada. Ninguno de los dos enfoques garantiza la equidad sin criterios adecuados.
Para los estudiantes, la previsibilidad se vuelve esencial. Un curso que fomenta la exploración asistida por IA durante la enseñanza debe explicar los límites en torno al trabajo evaluado. De lo contrario, los estudiantes deben inferir las normas a partir de comentarios dispersos y ejemplos inconsistentes.
Esa incertidumbre genera problemas incluso cuando todos pretenden cumplir. La ayuda con la gramática, la búsqueda de fuentes, el desarrollo de argumentos y la redacción completa implica contribuciones distintas. Una única instrucción de usar la IA de forma responsable deja esas diferencias sin resolver.
Los empleadores también tienen interés, aunque el informe no establece cómo cambiarán las prácticas de contratación. Una titulación comunica una afirmación sobre las capacidades de un graduado. La incertidumbre en la evaluación debilita la utilidad de esa afirmación.
La distinción relevante está entre producir un resultado aceptable y poseer el criterio necesario para evaluarlo. Muchas tareas profesionales implican ambas cosas. Las universidades se enfrentan a presión para mostrar qué capacidad representa una calificación concreta.
Para los proveedores tecnológicos, la implicación es similar. Las funciones que aceleran la elaboración de tareas no fortalecen automáticamente la evidencia educativa. La utilidad de un producto para estudiar y su idoneidad para la evaluación requieren juicios separados.
La fluidez con la IA y la competencia independiente requieren evidencias diferentes
Un estudiante puede aprender a trabajar eficazmente con IA y, al mismo tiempo, necesitar demostrar comprensión sin ella.
La aparente contradicción de la postura del regulador desaparece cuando los objetivos de evaluación se hacen explícitos. Utilizar una herramienta con competencia y comprender una materia de forma independiente son capacidades relacionadas, pero requieren evidencias distintas.
Un curso ilustrativo de programación hace concreta esa distinción. Un estudiante podría usar IA para sugerir código y luego examinar su comportamiento e identificar una vulnerabilidad de seguridad. Ese ejercicio puede evaluar el criterio sobre resultados generados.
Una tarea independiente podría exigir que el estudiante siga la ejecución de un programa sencillo sin ayuda. Su propósito sería establecer una comprensión fundamental. El éxito en el ejercicio asistido por IA no acreditaría automáticamente el éxito en la tarea independiente.
Ninguna de las tareas necesita representar el curso completo. Juntas, pueden responder preguntas que un programa final pulido deja sin resolver.
La evidencia anterior muestra por qué esta distinción merece atención. En un experimento de infiltración de exámenes de 2024, investigadores de la University of Reading introdujeron respuestas generadas por IA en exámenes de psicología de grado.
La universidad informó de que el 94% pasó inadvertido y de que las entregas generadas recibieron, en promedio, calificaciones más altas que las entregas reales de los estudiantes. El experimento se refería a un sistema de evaluación y un contexto disciplinario concretos.
No establece una tasa actual de detección en las universidades. Sí muestra por qué la calificación ordinaria no puede establecer automáticamente la autoría ni la comprensión independiente.
El experimento de Reading y la intervención de la OfS abordan el asunto desde direcciones distintas. El experimento probó si las respuestas entregadas superarían un sistema existente. El regulador pide a las instituciones que hagan defendibles sus sistemas de evaluación.
Ese cambio favorece distinciones más claras entre diferentes tipos de logro. Un informe asistido por IA puede demostrar evaluación, verificación y uso responsable de herramientas. Una explicación independiente puede establecer si el estudiante comprende el razonamiento que hay detrás.
La tensión se vuelve más marcada cuando la evaluación recompensa la apariencia de pericia. Una redacción fluida, referencias ordenadas y conclusiones seguras pueden ser cualidades útiles. Se vuelven engañosas cuando los evaluadores las tratan como evidencia suficiente de conocimiento de la materia.
Un modelo puede producir una explicación plausible que su usuario no pueda defender. Un estudiante también puede redactar una prosa torpe y, aun así, comprender el problema subyacente. La evaluación debe distinguir esas posibilidades sin asumir ninguna de ellas.
La misma distinción importa para los trabajadores del conocimiento fuera de la educación. Un resumen generado por IA puede ayudar a alguien a revisar información, pero aceptar su conclusión exige comprobar sus evidencias.
Para los lectores que exploran la gestión del conocimiento personal, la conexión es práctica: el material organizado favorece la comprensión cuando las personas pueden examinar sus orígenes y su razonamiento.
Esa observación no demuestra que un software concreto mejore las calificaciones ni verifique la autoría. Identifica un problema compartido entre el estudio y el trabajo profesional: la información accesible y la comprensión fiable son logros distintos.
Por tanto, la interpretación más sólida del enfoque del regulador preserva ambas expectativas. Los titulados deben comprender sus materias y desarrollar criterio sobre la IA. Un sistema de evaluación debe revelar esas capacidades, en lugar de reducirlas a un único documento terminado.
Volver a los exámenes deja importantes preguntas sin responder
Una evaluación más controlada puede reforzar la confianza en el desempeño individual sin resolver todas las cuestiones sobre equidad o valor educativo.
Un examen supervisado limita las oportunidades de recibir ayuda externa. No demuestra automáticamente que la tarea mida la capacidad más relevante.
Pensemos en una asignatura ilustrativa de métodos de investigación. Una prueba cronometrada podría evaluar si los estudiantes reconocen debilidades en el diseño de un estudio. Un proyecto sostenido podría mostrar si pueden formular una pregunta y revisar un enfoque.
Ambas formas de evidencia pueden importar. Sustituir por completo el proyecto cambiaría lo que mide la asignatura, incluso si el reemplazo dificultara el uso no autorizado de IA.
Este es el desafío escéptico más sólido frente a un retorno generalizado a los exámenes. Las universidades necesitan evidencia de que las evaluaciones revisadas preservan los resultados de aprendizaje que pretenden certificar.
La seguridad y la validez requieren, por tanto, un escrutinio independiente. La seguridad se refiere a las condiciones en las que un estudiante completa la tarea. La validez se refiere a si la tarea mide el conocimiento o la habilidad previstos.
Una institución puede reforzar una mientras descuida la otra. Una prueba de memoria estrictamente controlada ofrece evidencia limitada sobre capacidades que exigen una investigación prolongada. Un ambicioso proyecto para realizar en casa puede dejar incierta la contribución independiente.
El problema de diseño implica equilibrar esas limitaciones. Afirmar que los exámenes tradicionales resuelven la evaluación de IA simplificaría en exceso la tarea. Afirmar que el uso de IA en el trabajo hace innecesaria la evaluación independiente supondría un salto igualmente infundado.
La accesibilidad añade otra restricción. La guía de la OfS reconoce ajustes razonables para estudiantes con discapacidad y advierte contra otorgar un peso desproporcionado a los resultados de detectores de IA.
Estas salvaguardas importan porque ni un cambio en el estilo de escritura ni la puntuación de un detector explican cómo un estudiante completó una tarea. Una acusación y un juicio de evaluación requieren pruebas adecuadas.
Una universidad también debería distinguir entre ayuda y sustitución. Un estudiante que utiliza apoyo permitido mientras desarrolla un argumento ocupa una posición distinta de quien entrega un trabajo que no puede explicar.
El límite depende en parte de la tarea. La ayuda aceptable durante la práctica lingüística podría frustrar el propósito de una tarea diseñada para evaluar la escritura sin asistencia. Las normas institucionales generales necesitan un significado específico para cada evaluación.
También existe el riesgo de trasladar demasiado la carga probatoria a los estudiantes. Exigir registros extensos de cada acción de redacción podría generar documentación sin demostrar comprensión.
Un historial completo de actividad seguiría requiriendo interpretación. Podría mostrar que un estudiante interactuó con una herramienta, pero esa interacción por sí sola no revelaría si se produjo aprendizaje.
Estas son razones para evaluar cuidadosamente el rediseño, no para conservar todas las tareas existentes. Las instituciones deben explicar qué contribución aporta cada componente a un juicio creíble.
Por tanto, la cuestión no resuelta es más amplia que si los exámenes regresan. La guía de evaluación de IA de la Office for Students deja a las universidades la responsabilidad de demostrar que la combinación elegida mide el rendimiento de manera justa.
Su eficacia dependerá de la evidencia de implementación. Un manual revisado puede establecer expectativas más exigentes; solo el funcionamiento de la evaluación puede mostrar si esas expectativas se cumplen.
La adopción estudiantil vuelve poco fiables las suposiciones generales
El uso generalizado de la IA establece la magnitud del desafío de evaluación, pero deja sin resolver la conducta individual y los resultados de aprendizaje.
La encuesta estudiantil sobre IA de HEPI de marzo de 2026 ofrece un contexto útil. Realizada por Savanta en diciembre de 2025, recopiló respuestas de 1.054 estudiantes universitarios británicos a tiempo completo.
La encuesta concluyó que el 95 % declaró utilizar IA de alguna manera, mientras que el 94 % declaró usar IA generativa para ayudar con trabajos evaluados. Por separado, el 12 % declaró incluir directamente texto generado por IA en trabajos evaluados.
Estas categorías miden comportamientos distintos. La ayuda con trabajos evaluados abarca más actividades que insertar texto generado. Ninguna de las dos cifras, por sí sola, demuestra una conducta indebida según las normas institucionales del estudiante.
La encuesta también concluyó que el 65 % afirmó que la evaluación había cambiado significativamente en respuesta a la IA. Por tanto, aporta contexto sobre la adaptación institucional ya en marcha, junto con las inquietudes planteadas en la investigación de noviembre.
Estos hallazgos cuestionan una división simple entre usuarios de IA y estudiantes independientes. Un estudiante puede usar IA y, al mismo tiempo, implicarse profundamente con el material. Otro puede utilizar herramientas similares para evitar implicarse con él.
La diferencia educativa reside en el trabajo que el estudiante sigue realizando. Pedir una explicación puede iniciar una investigación productiva. Aceptar la explicación sin comprobarla puede terminar prematuramente esa investigación.
Una tarea ilustrativa de historia muestra cómo acciones similares pueden producir resultados diferentes. Un estudiante podría pedir a la IA que sugiera interpretaciones y después compararlas con documentos primarios.
Otro estudiante podría entregar la interpretación sugerida sin examinar sus pruebas. La interacción inicial con la herramienta parece similar, pero la base resultante para una calificación difiere.
Por eso las estadísticas de adopción no pueden resolver el diseño de la evaluación. Indican hasta qué punto las instituciones se encuentran con la IA, pero ofrecen información limitada sobre lo que un estudiante concreto ha aprendido.
La misma cautela se aplica a los informes sobre compañeros que completan tareas rápidamente. Estos relatos identifican una preocupación creíble que merece investigación. No miden con qué frecuencia se produce ese comportamiento en todo el sector.
Por tanto, las instituciones necesitan evidencia de sus propias asignaturas. ¿Dónde dejan las respuestas entregadas incierta la comprensión? ¿Qué componentes de evaluación resuelven esa incertidumbre? ¿Qué cambios preservan oportunidades útiles para la investigación y la revisión?
Estas preguntas también importan para la evaluación de productos de IA. Un proveedor podría demostrar que su software genera preguntas de estudio o resume documentos. Esa demostración no establecería una mejora del desempeño independiente.
Los compradores del ámbito educativo deberían distinguir la actividad del producto del logro educativo. El uso frecuente, resultados atractivos y la satisfacción del alumnado pueden orientar decisiones, pero responden a preguntas distintas de las del aprendizaje demostrado.
Para los estudiantes, la implicación práctica es una relación más clara entre preparación y demostración. La IA puede participar en la preparación cuando esté permitida. La evaluación aún debe demostrar las capacidades que la asignatura promete desarrollar.
Para las universidades, esto significa abandonar las suposiciones generales en ambas direcciones. El uso generalizado no demuestra trampas generalizadas, y una política favorable a la IA no demuestra que la evaluación siga siendo creíble.
Vigile los cambios en la evaluación, la evidencia regulatoria y el apoyo al personal
La próxima prueba será si las universidades pueden demostrar que las evaluaciones rediseñadas revelan el aprendizaje con mayor claridad que sus mecanismos anteriores.
En los próximos meses, la primera señal que conviene vigilar es el cambio específico en las evaluaciones. Las instituciones deberían describir qué tareas requieren desempeño independiente, cuáles permiten IA y qué demuestra cada componente.
Un anuncio general sobre IA responsable ofrecería evidencia limitada de progreso. Tareas revisadas, criterios claros y explicaciones de su propósito proporcionarían una base más firme para juzgar.
Esta señal reforzaría el argumento a favor de una adaptación eficaz si las universidades preservan trabajos de curso significativos mientras abordan la incertidumbre sobre la contribución del estudiante. Un simple aumento de los exámenes dejaría abierta la cuestión educativa.
La segunda señal es cómo el regulador evalúa la evidencia institucional. Sus próximos pasos regulatorios publicados indican que utilizará las herramientas existentes en lugar de introducir nuevas regulaciones.
La OfS también identifica expectativas bajo un enfoque de calidad futuro propuesto. Esas expectativas deben mantenerse diferenciadas de un calendario definitivo de implementación o de una conclusión de aplicación anunciada.
Esté atento a ejemplos más claros de qué aspecto tiene una evidencia adecuada. Las instituciones necesitan comprender cómo las evaluaciones demuestran el logro, en lugar de inferir el cumplimiento según si un formato concreto parece tradicional.
Un escrutinio basado en evidencia reforzaría la intervención. Un énfasis en restricciones visibles sin examinar el aprendizaje debilitaría el argumento de que los cambios protegen la calidad de las titulaciones.
La tercera señal es el apoyo práctico al personal. Advance HE ha anunciado una Change Academy centrada en IA para instituciones miembros a principios de 2027.
Su importancia dependerá de si la planificación institucional llega al diseño de las asignaturas y a la práctica docente. Los principios compartidos resultan útiles cuando el profesorado puede aplicarlos a tareas reales y explicarlos a los estudiantes.
El apoyo también debería conectar las expectativas a lo largo de una asignatura. Los estudiantes necesitan entender por qué se fomenta la ayuda en una tarea y se restringe en otra. La coherencia procede de un propósito educativo claro, no de normas idénticas en todas partes.
La guía de evaluación de IA de la Office for Students merece atención porque conecta la política sobre IA con la credibilidad de las calificaciones. Su éxito sigue siendo una cuestión empírica: ¿las evaluaciones revisadas proporcionan una mejor evidencia del rendimiento estudiantil?
Para estudiantes, docentes y compradores educativos, el siguiente paso es examinar los detalles de evaluación detrás de los anuncios. Pregunten qué demuestra una tarea de forma independiente, qué demuestra con ayuda y cómo se conectan esos juicios.
Conserve distinciones útiles al leer estadísticas de adopción o evaluar nuevas herramientas. La asistencia de IA, las entregas generadas, la conducta indebida y el aprendizaje deficiente describen cosas distintas. Una respuesta creíble necesita evidencia sobre cada una.
A medida que las universidades revisan sus enfoques, lea las normas de las tareas junto con los criterios de calificación. ¿Qué debe comprender el estudiante lo suficientemente bien como para explicar, verificar o realizar, y dónde lo demuestra realmente la evaluación?



