1. Introducción

La inteligencia artificial generativa ha entrado en el aula universitaria sin previo aviso y sin una estrategia común. En cuestión de meses, el alumnado ha incorporado herramientas capaces de generar textos, resolver ejercicios o estructurar trabajos completos, mientras que el profesorado ha tenido que adaptarse a esta nueva realidad en tiempo real. (Zawacki-Richter et al., 2019; UNESCO, 2023)

Más allá del debate teórico sobre su impacto, lo que se observa en la práctica es una transformación directa de la dinámica docente. Actividades que hasta hace poco funcionaban han dejado de hacerlo, los sistemas de evaluación presentan limitaciones evidentes y el concepto de autoría se vuelve cada vez más difuso.

En este contexto, el objetivo de este artículo es aterrizar el debate sobre la inteligencia artificial en la educación superior a la realidad del aula, identificando problemas concretos y proponiendo soluciones aplicables que permitan integrar estas herramientas sin perder calidad educativa. A diferencia de otros trabajos centrados en el análisis teórico de la inteligencia artificial en educación, este artículo aporta una aproximación basada en la práctica docente directa, identificando ajustes concretos aplicados en el aula y sus implicaciones en la evaluación y el aprendizaje.

2. Metodología

El presente trabajo se basa en un estudio cualitativo de carácter exploratorio desarrollado en el contexto de la docencia universitaria en el ámbito de la educación superior. El análisis se apoya en la observación directa de prácticas docentes en asignaturas vinculadas al área de marketing internacional, con grupos de entre 30 y 60 estudiantes, durante cursos académicos recientes.

La información se ha recogido a partir del análisis de actividades evaluables, interacciones en el aula y revisión de trabajos entregados por el alumnado, lo que ha permitido identificar patrones recurrentes en el uso de herramientas de inteligencia artificial. Este enfoque se complementa con la revisión de literatura académica sobre inteligencia artificial en educación, permitiendo vincular la evidencia práctica con marcos teóricos existentes.

El estudio no pretende ser generalizable, sino ofrecer una aproximación aplicada basada en evidencia contextual.

3. Qué está pasando realmente en el aula

La incorporación de la inteligencia artificial no es un fenómeno abstracto. En el día a día del aula universitaria, se traduce en situaciones muy concretas que afectan directamente al proceso de enseñanza-aprendizaje. Este tipo de situaciones ha sido identificado en la literatura reciente sobre el impacto de la inteligencia artificial en los procesos de aprendizaje (Zawacki-Richter et al., 2019).

En una actividad de evaluación continua en una asignatura de grado de análisis de mercado internacional realizada fuera del aula, varios estudiantes entregaron trabajos con una estructura prácticamente idéntica: misma organización, mismos argumentos y expresiones similares. Aunque el contenido era correcto, resultaba difícil identificar el grado de elaboración propia.

Al comentar la situación en clase, algunos estudiantes reconocieron haber utilizado herramientas de inteligencia artificial como apoyo inicial, sin considerar necesario declararlo. Este hecho evidenció una normalización del uso de estas herramientas sin criterios claros y una limitación de los sistemas tradicionales de evaluación. En otro caso, en actividades de desarrollo individual realizadas en grupos de más de 40 estudiantes se observó que estudiantes que entregaban trabajos bien estructurados presentaban dificultades para explicar conceptos básicos cuando se les preguntaba en clase, lo que evidenciaba una posible dependencia de herramientas externas. Por último, emerge una dependencia progresiva de la herramienta. Algunos estudiantes tienden a utilizar la IA como primera opción, reduciendo el esfuerzo de análisis, síntesis o reflexión.

Estas situaciones no son excepcionales, sino cada vez más habituales, lo que evidencia la necesidad de replantear la práctica docente.

4. Problemas clave detectados

4.1. Uso no declarado de inteligencia artificial

Uno de los principales retos es la falta de transparencia. El alumnado utiliza herramientas de IA, pero no siempre indica en qué medida ni con qué finalidad. Esto genera incertidumbre en la evaluación y dificulta valorar el aprendizaje real.

4.2. Sistemas de evaluación que han dejado de funcionar

Las actividades tradicionales, especialmente los trabajos escritos realizados fuera del aula, han perdido parte de su capacidad para medir el conocimiento del estudiante. La facilidad para generar contenido reduce su fiabilidad como instrumento evaluativo. Este fenómeno se relaciona con los cambios en los sistemas de evaluación en contextos digitales (OECD, 2021).

4.3. Pérdida de profundidad en el aprendizaje

El acceso inmediato a respuestas estructuradas puede limitar el desarrollo de competencias clave. Cuando la herramienta sustituye al proceso de reflexión, el aprendizaje se vuelve más superficial.

5. Qué sí funciona: prácticas aplicables en el aula

Frente a estos desafíos, no se trata de prohibir la inteligencia artificial, sino de integrarla de forma consciente. A continuación, se presentan cinco prácticas que han demostrado ser efectivas en el aula. La adaptación de estas prácticas responde a la necesidad de integrar la inteligencia artificial en el proceso educativo de forma pedagógicamente coherente (Holmes et al., 2019).

5.1. Uso declarado de herramientas de IA

Tras detectar el uso no declarado de herramientas de IA, se incorporó como requisito que el alumnado indicara explícitamente si las había utilizado, especificando cuáles y con qué finalidad.

Esta práctica no elimina el uso de la IA, pero introduce transparencia y permite contextualizar el trabajo entregado.

5.2. Evaluación híbrida: trabajo + defensa

Tras detectar dificultades para evaluar la autoría de los trabajos, se incorporó una breve defensa oral (5 minutos) tras la entrega de los mismos.

Este formato permite comprobar si el estudiante comprende realmente lo que ha entregado y reduce la posibilidad de delegar completamente el trabajo en una herramienta.

5.3. Actividades comparativas

Para evitar el uso automático de la herramienta, se introdujeron actividades en las que el alumnado debía generar una respuesta con IA, elaborar posteriormente una respuesta propia y analizar las diferencias:

• generar una respuesta con IA
• elaborar una respuesta propia
• analizar las diferencias entre ambas

Este enfoque transforma la IA en objeto de análisis, fomentando el pensamiento crítico.

5.4. Trabajo supervisado en el aula

Se decidió trasladar una parte del trabajo al aula, desarrollándose bajo supervisión directa.

Esto permite observar el proceso de trabajo y reduce la dependencia de herramientas externas.

5.5. Enseñar a usar la IA como competencia

Ante el uso creciente de estas herramientas, se optó por incorporar la IA como parte del aprendizaje, evaluando su uso de forma explícita.

Se trabajan aspectos como:

• formulación de instrucciones (prompts)
• validación de resultados
• detección de errores o sesgos

De este modo, la IA deja de ser un atajo y se convierte en una herramienta de aprendizaje.

6. Errores comunes en la integración de la IA

En la práctica docente se identifican tres enfoques que resultan poco efectivos:

• Prohibición total: difícil de controlar y desconectada de la realidad
• Ignorar su uso: genera incoherencias en la evaluación
• Uso sin criterio: puede empobrecer el aprendizaje

La integración efectiva requiere un equilibrio entre control, adaptación y aprovechamiento pedagógico.

7. Conclusión

La inteligencia artificial ha cambiado el aula universitaria de forma inmediata y significativa. Este cambio no puede abordarse únicamente desde la regulación o la tecnología, sino que exige una adaptación de la práctica docente. Las experiencias analizadas muestran que el principal reto no es la existencia de estas herramientas, sino cómo se utilizan en el proceso de aprendizaje. En este sentido, la clave no está en limitar su uso, sino en rediseñar las actividades y los sistemas de evaluación. Las prácticas propuestas en este artículo ofrecen un punto de partida para integrar la inteligencia artificial de forma operativa, permitiendo mantener la calidad educativa en un contexto de transformación constante.

REFERENCIAS

• Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
• Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson.
• OECD. (2021). AI in education: Challenges and opportunities. OECD Publishing.
• UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
• Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Artificial intelligence in higher education: A systematic review. International Journal of Educational Technology in Higher Education, 16(1), 39.https://doi.org/10.1186/s41239-019-0171-0

Isabel Berruezo Aldunate

DNI 44634060FPhD Candidate at UPNA. Pamplona, España

profe.marketiniana@gmail.com

https://orcid.org/0009-0000-2928-4527