Qué ocurrió en el curso de economía de Brown
Roberto Serrano lleva casi veinte años enseñando Welfare Economics and Social Choice Theory. El curso solía atraer hasta treinta estudiantes. Este semestre se inscribieron 86, y el parcial se planteó como examen para llevar a casa. Se eligió ese formato por respeto a los estudiantes: en diciembre hubo un tiroteo en el campus y a muchos les costaba sentarse en el aula.
Los resultados del examen para llevar a casa fueron inusualmente altos, aunque Serrano había hecho el examen más difício a propósito. Les dijo a la clase que sospechaba un uso masivo de IA y, con la aprobación de su decano, trasladó el final a formato presencial. Después, 18 estudiantes abandonaron el curso y nueve más no se presentaron al final. La brecha entre los promedios de ambos exámenes fue la mayor en la historia del curso.
Parcial para llevar a casa frente al final supervisado en el mismo curso
Serrano anuló el parcial y dio más peso al final. También bajó la nota mínima para aprobar. Aun así, 19 estudiantes suspendieron el curso.
Cómo el profesor comprobó la trampa con IA sin un detector
Serrano hizo algo sencillo. Pasó las preguntas del examen por ChatGPT y comparó las respuestas de la máquina con el trabajo de sus estudiantes. Coincidían en estilo y en método. En una pregunta lo más fácil era un argumento directo, pero ChatGPT eligió una prueba por contradicción, larga y torpe. El mismo recurso apareció en muchos trabajos de estudiantes.
El método funcionó, pero lleva demasiado tiempo para ser práctico. La comparación manual con una respuesta de la máquina lleva horas, depende de la experiencia del profesor y deja de servir en tareas donde la IA no tiene un estilo reconocible. En la práctica, Serrano construyó a mano lo que un detector de IA hace de forma estadística: una estimación de lo mecánico que suena un texto. La diferencia es que la estimación de un detector es repetible y tarda minutos, no un fin de semana.
La honestidad importa aquí. Serrano mismo es escéptico con los detectores de IA y señala los falsos positivos. En lo esencial tiene razón: ninguna herramienta emite un veredicto. Una puntuación de probabilidad es motivo para hablar con el estudiante y replantear el formato del examen, que es lo que ocurrió en Brown. Quien promete un veredicto al cien por cien es el verdadero problema.
Qué admite el informe del comité de IA generativa de Brown
El informe del comité de Brown salió el 7 de julio y es un caso poco habitual: una universidad que habla del problema con claridad. El comité recogió comentarios de 105 profesores y 169 miembros del personal. Los docentes señalaron dos preocupaciones por encima del resto: el daño al aprendizaje a largo plazo de los estudiantes y el declive de sus capacidades cognitivas. La trampa quedó en tercer lugar.
Lo que el profesorado de Brown comunicó al comité de IA de la universidad
Las cifras de Brown coinciden con el panorama nacional. La misma preocupación por la trampa apareció al mismo nivel en la encuesta nacional de 2025 de la American Association of Colleges and Universities, que cita el informe.
Las recomendaciones del comité merecen la atención de cualquier universidad. Primero: incorporar la IA generativa en los códigos académicos y trazar «límites claros en torno al uso indebido». Segundo, y menos esperado: «desacentuar el castigo». El informe lo dice sin rodeos: «No hay forma de comprobar con un 100 % de precisión si se ha empleado IA generativa», así que apostar todo al castigo no funciona y tiene que haber una conversación abierta sobre las reglas.
Estamos de acuerdo con esa frase, y vendemos un detector. No existe una comprobación con un 100 % de precisión. Un proveedor que lo prometa miente. Lo que ofrece un detector de IA es una puntuación repetible con una tasa de error conocida. En It's AI, nuestros datos de precisión son públicos. El resto depende del procedimiento, no de la herramienta.
Procedimiento de integridad académica para IA: qué dejar por escrito
En Brown, faltaban cuatro partes de este procedimiento.
Política de IA en el programa del curso
La mayoría del profesorado de Brown ya describe sus reglas sobre IA en el programa y las repite la primera semana de clase. Es la base. El estudiante tiene que saber de antemano qué está permitido y qué no. El programa también debe indicar cómo se comprobará el trabajo.
Comprobaciones de texto como rutina, no como acusación
Serrano empezó a comprobar cuando apareció la sospecha. Ese orden genera conflicto. Una comprobación regular de IA en cada entrega funciona de otra manera: se aplica por igual a todos los estudiantes, así que nadie queda acusado personalmente. La detección de plagio funciona así desde hace años.
Un proceso para el caso grupal
El comité de Brown pidió a Serrano que presentara una denuncia separada contra cada estudiante. Se negó y calificó la petición de ridícula. Tricia Bertram Gallant, responsable de la oficina de integridad académica en UC San Diego, propone dos soluciones: aceptar una denuncia para un grupo de estudiantes y permitir que un estudiante admita una infracción por correo electrónico, sin audiencia presencial. Un procedimiento pensado para un estudiante no sirve para sesenta.
Formato del examen como comprobación final
El final presencial mostró lo que cada estudiante sabía de verdad. Ningún análisis de texto puede sustituir eso. Una comprobación de texto y un examen miden cosas distintas, así que un curso necesita ambos.
Qué pueden hacer los docentes antes del próximo semestre
Si imparte un curso con trabajo escrito, conviene dar tres pasos antes del próximo semestre. Escriba las reglas sobre IA en el programa con palabras sencillas. Acuerde con su departamento un procedimiento para casos grupales antes de que aparezca el primero. Añada una comprobación de texto a la rutina normal del curso, para que la señal llegue antes del examen y no después de un escándalo.
Cuatro partes de un procedimiento de integridad académica, y cómo falla cada una
Serrano lo dijo en una frase: «We cannot choose to become idiots». La nota del parcial es una pérdida pequeña. La mayor es una generación de estudiantes que aprende que el texto de una máquina bajo su nombre es normal, en universidades que prefieren no mirar.
FAQ
¿Qué tan común es la trampa con IA en la universidad?
Nadie tiene una cifra fiable de prevalencia, y las encuestas existentes miden percepción más que casos contados. Las encuestas al profesorado reflejan una sensación general de que el uso de IA ha crecido, pero preguntan lo que los docentes creen, no lo que se demostró en una audiencia. Las oficinas de integridad solo cuentan los casos que les llegan, lo que subestima por diseño: la mayor parte de los usos sospechosos de IA se resuelve en silencio entre el docente y el estudiante, o nunca se plantea. Trate cualquier porcentaje aislado como un mínimo, no como una medición. La cifra que importa a un departamento es la suya propia, recogida de sus propias entregas a lo largo de un semestre.
¿Cómo saben los profesores si los estudiantes usan IA?
La mayoría de los docentes parten de una discordancia, no de una señal única. El trabajo que no encaja con lo que el estudiante entregó antes en el semestre es el desencadenante habitual. Las citas que no llevan a ninguna parte son la otra. Algunos docentes pasan cada entrega por un detector de IA y leen la puntuación como un dato más; otros confían en un componente presencial que ningún análisis de texto puede sustituir. El método que falla es el que se aplica solo después de que la sospecha recae sobre un estudiante concreto, porque convierte una pregunta sobre el trabajo en una acusación contra la persona.
¿Se puede castigar a toda una clase por trampa con IA?
No. Los sistemas de integridad académica se basan en hallazgos individuales, y una sanción aplicada a una clase como grupo no resistiría una apelación en la mayoría de las instituciones. Lo que sí puede compartirse es el procedimiento, no el veredicto: una sola denuncia que cubra a muchos estudiantes, con un mismo conjunto de pruebas detrás. La distinción importa porque lo que se rompe a escala es el papeleo, no el principio. Un docente con sesenta entregas sospechosas bajo un proceso de un estudiante a la vez suele dejar caer el asunto, que es el resultado que nadie quiere. Los departamentos deberían acordar la vía agrupada antes de que llegue el primer caso grande.
¿Qué debe incluir una política de IA en el programa del curso?
Una política de IA en el programa tiene que responder a dos preguntas antes de la primera tarea: qué está permitido y qué hay que declarar. Una tercera cláusula —cómo se comprobará el trabajo— es la que omiten la mayoría de las políticas, y su ausencia es lo que hace que una comprobación posterior con un detector de IA parezca una emboscada. El permiso funciona mejor por tarea que por curso: un docente puede permitir la IA para lluvia de ideas y prohibirla en un ensayo calificado, y el programa debería decirlo tarea por tarea. La declaración necesita un formato, no solo un principio, como una línea final que nombre la herramienta y qué hizo.
¿Es un resultado de detector de IA prueba de trampa?
No. Un detector de IA devuelve una probabilidad de que un texto esté escrito por una máquina, y una probabilidad es evidencia, no un hallazgo. Lo que lo convierte en un caso es el procedimiento que lo rodea: una política del curso que el estudiante conocía de antemano y una conversación en la que puede explicar el trabajo. Los detectores también tienen una tasa medible de falsos positivos, por eso la prosa formal de estudiantes que escriben en una segunda lengua es el fallo clásico. Una institución que trata la puntuación como veredicto acabará sancionando a alguien que no hizo nada mal. Una que la usa como motivo para conversar rara vez lo hace.
