El diseño de evaluaciones escalables es una de las maneras más prácticas en que las instituciones pueden prevenir el incumplimiento de la integridad académica. En lugar de analizar trabajos terminados en busca de señales de IA, las evaluaciones bien diseñadas hacen que las entregas generadas por IA sean menos útiles para los estudiantes desde el principio. Esto implica crear tareas que requieran contexto personal, documentación iterativa y razonamiento demostrado, no solo un producto final impecable. Al evaluar el proceso, el producto resulta más difícil de falsificar.
El problema con las evaluaciones que fueron diseñadas para una época diferente
La mayoría de las tareas en la educación superior se diseñaron antes de que existiera la IA generativa. Hace una década, las preguntas de ensayo que pedían a los estudiantes “analizaran la importancia de X” o “compararan y contrastaran Y y Z” eran evaluaciones razonables del aprendizaje. Hoy en día, cualquier herramienta de IA capaz las responde en segundos.
Según una síntesis global publicada en 2026 que abarca instituciones de todo el mundo, los incidentes de trampas con ayuda de IA se multiplicaron casi por cuatro entre 2022 y 2025, pasando de 1,6 por cada 1000 estudiantes a 7,5 por cada 1000. Este aumento no se debió a que los estudiantes se volvieran repentinamente menos éticos, sino a que los métodos de evaluación no cambiaron, mientras que las herramientas sí.
La respuesta institucional habitual ha sido invertir en la detección. Sin embargo, la detección es reactiva. Aborda las faltas de conducta una vez recibida la entrega, después de que el trabajo se haya realizado y después de que la oportunidad de aprendizaje haya desaparecido. Un enfoque más duradero consiste en diseñar evaluaciones que integren el propio proceso de escritura como evidencia del aprendizaje.
¿Qué hace que una evaluación sea resistente a la IA a gran escala?
«Resistente a la IA» no significa a prueba de IA. Ningún tipo de tarea elimina por completo la posibilidad de un mal uso de la IA. Lo que hace el diseño de evaluaciones escalables es desplazar el esfuerzo necesario para un mal uso por encima del punto en el que resulta rentable para la mayoría de los estudiantes.
Existen cuatro principios de diseño que logran esto de manera consistente.
Fundamentar la tarea en un contexto específico, local o personal. Las tareas vinculadas a la experiencia práctica del estudiante, a un conjunto de datos concreto del curso o a un caso práctico específico analizado en clase son más difíciles de delegar a la IA. La consigna « analiza los datos recopilados en el laboratorio de la semana 6 y relaciónalos con tu experiencia profesional» genera un trabajo que debe provenir del estudiante. Las herramientas genéricas de IA producen resultados genéricos. La especificidad local rompe con esta tendencia.
Exija un proceso visible, no solo el resultado final. Las tareas que incluyen borradores, anotaciones o registros de revisión como componentes evaluables desplazan el centro de gravedad de la evaluación del documento final. Un estudio de 2025 publicado en MDPI Education Sciences reveló que los docentes que rediseñaron las evaluaciones para incluir la entrega del proceso citaron el mantenimiento de la integridad académica como una motivación principal, además de preparar a los estudiantes para entornos laborales integrados con IA. El borrador no es un gasto innecesario, sino una evidencia.
Utilice evaluaciones por etapas a lo largo del ciclo de entrega. Las evaluaciones de alto riesgo con una sola entrega generan el mayor riesgo de infracciones de integridad. Dividir una tarea en revisiones (un esquema, un borrador, una respuesta a la revisión por pares y la versión final) distribuye la carga de la evaluación. Además, dificulta que un estudiante inserte contenido generado por IA en la etapa final sin que haya contradicciones con entregas anteriores.
Vincula explícitamente la tarea con los resultados de aprendizaje. Investigaciones de la Asociación Americana de Psicología señalan que cuando los estudiantes perciben las tareas como directamente relacionadas con los objetivos de dominio del curso que les importan, la deshonestidad académica disminuye. Esto no es teoría de la motivación en abstracto, sino una decisión de diseño: comunicar a los estudiantes con precisión qué habilidad desarrolla cada tarea y por qué no pueden atajar ese desarrollo sin perjudicar su propio aprendizaje.
El problema de escalabilidad al que se enfrenta realmente el profesorado
Rediseñar la evaluación parece sencillo en principio. En la práctica, el profesorado se enfrenta a una limitación específica: el tiempo. Las evaluaciones auténticas y centradas en el proceso requieren más tiempo para diseñarse y más tiempo para calificarse. Esta no es una objeción menor.
El estudio EDUCAUSE 2024 sobre el panorama de la IA reveló que solo el 23 % de las instituciones cuentan con políticas de uso aceptable relacionadas con la IA. Datos independientes de EDUCAUSE sobre la preparación del profesorado muestran que menos del 30 % se siente seguro diseñando evaluaciones resilientes a la IA. El problema no radica en la resistencia del profesorado al cambio, sino en que el rediseño sin apoyo estructural conduce al agotamiento: el profesorado asume el costo total de una brecha normativa que no generó.
El diseño de evaluaciones escalables debe tener esto en cuenta. Esto implica diseñar rúbricas que permitan evaluar rápidamente los componentes del proceso, ya que no todos los borradores requieren la misma profundidad de retroalimentación que la entrega final. Significa crear bancos de tareas gradualmente, en lugar de intentar rediseñar todos los cursos a la vez. Comenzar con una tarea de alto riesgo por curso y por semestre es un objetivo realista. También implica compartir las decisiones de diseño entre departamentos para evitar que el esfuerzo se aísle, y utilizar herramientas de documentación de procesos que automaticen parte del trabajo de verificación para que el profesorado dedique su tiempo a conversaciones sobre el aprendizaje, en lugar de a investigaciones exhaustivas.
El Marco de Integridad Académica de la Universidad de Oxford, revisado en 2024, pasó explícitamente de un enfoque centrado en la detección a un rediseño de la evaluación y una divulgación transparente. El Instituto de Diseño Hasso Plattner de Stanford ha implementado un programa piloto de documentación de procesos en cursos selectos, donde los estudiantes presentan borradores, anotaciones y diarios reflexivos junto con el trabajo final. Estos no son experimentos marginales, sino señales tempranas de hacia dónde se dirige el sector.
Por qué la documentación de procesos cambia la ecuación de integridad
Incluso las evaluaciones bien diseñadas presentan deficiencias. Un estudiante que entrega borradores generados por IA en varias etapas, en lugar de un único trabajo final, es más difícil de detectar. Un buen diseño de las tareas reduce el incentivo para ese comportamiento , pero no elimina la posibilidad.
La documentación de procesos aborda esta brecha al capturar directamente el comportamiento de escritura . Las herramientas que registran las pulsaciones de teclas, los patrones de revisión, las pausas de lectura y las interacciones con el contenido de IA durante una sesión de escritura generan un tipo de evidencia diferente al que proporciona un documento finalizado. Permite ver cómo se construyó el documento, no solo su aspecto final.
Esto es importante para los profesores que gestionan grandes grupos de alumnos de tres maneras específicas.
En primer lugar, elimina la necesidad de que el profesorado emita juicios basados en sospechas estilísticas. Un estudiante cuyo registro de sesión muestra que el documento se pegó íntegramente en el último minuto queda documentado, no sospechoso.
En segundo lugar, ofrece a los estudiantes un registro transparente de su propio esfuerzo. Cuando saben que su sesión de escritura se está grabando, no están siendo vigilados , sino que están creando un registro verificable de su propio proceso. Este registro los protege en caso de una acusación falsa. Además, reduce la tentación de hacer un mal uso de la IA precisamente porque el registro de la sesión hace visible dicho mal uso.
En tercer lugar, ofrece a los responsables de la integridad académica información revisable en casos de mala conducta, en lugar de forzar una confrontación basada en una puntuación de un detector probabilístico. Los registros basados en procesos son específicos, secuenciales y cuestionables: el tipo de evidencia idóneo para los procedimientos institucionales.
Construir una integridad escalable a nivel de curso, no solo a nivel institucional.
Una barrera estructural para el rediseño de la evaluación es la suposición de que la reforma de la integridad debe implementarse en toda la institución. En la práctica, los cambios más duraderos comienzan a nivel de curso o departamento, donde un miembro del profesorado o un responsable de integridad identifica un problema específico y diseña una respuesta concreta.
No se necesita un mandato institucional para rediseñar una tarea de redacción y convertirla en una entrega por etapas con un proceso documentado. Tampoco se necesita una actualización de la política del campus para exigir un borrador con anotaciones junto con el trabajo final. Lo que sí se necesita, en última instancia, es cierta coherencia en la forma en que se registran, almacenan y utilizan esos registros del proceso. Pero el rediseño pedagógico y la cuestión de la infraestructura pueden abordarse de forma secuencial. Comience con el diseño. Desarrolle la infraestructura a medida que aumente el volumen de trabajo y la aceptación institucional.
El profesorado de distintos cursos ha puesto a prueba enfoques de documentación de procesos y ha constatado que la reducción de los casos de mala conducta —y la disminución de la carga administrativa que supone investigarlos— justifica la inversión. La dificultad reside en dar visibilidad a estos proyectos piloto para que las instituciones aprendan de ellos, y no solo de los casos que se convierten en procedimientos formales.
Desde el diseño de la evaluación hasta la integridad de la entrega:
El rediseño de la evaluación y la documentación del proceso no son enfoques contrapuestos. Operan en diferentes etapas del mismo ciclo de vida de la entrega. Un buen diseño de la evaluación reduce los incentivos para la mala conducta en la tarea. La documentación del proceso añade la capa de verificación que permite revisar las afirmaciones del estudiante en la entrega.
Para las instituciones que están desarrollando sus flujos de trabajo de validación de autoría, especialmente a nivel de curso o departamento sin mandatos institucionales, herramientas como DocuMark de Trinka ofrecen una capa de integridad de envío que hace que la revisión de autoría sea más estructurada y defendible. En lugar de basarse únicamente en sospechas probabilísticas o en el análisis de resultados, el profesorado obtiene evidencia del proceso que permite revisarla y que ayuda a orientar las decisiones de integridad hacia la documentación, en lugar de las suposiciones.