El 53,6% de los trabajos universitarios australianos usó IA: la respuesta no es perseguirla, es rediseñar qué se evalúa

Por The Conversation · 13 de julio de 2026.

El dato es contundente: según Turnitin, el 53,6% de las entregas universitarias australianas analizadas por su sistema entre octubre de 2025 y abril de 2026 mostraban algún uso de inteligencia artificial, y en un 10% de los casos más del 80% del texto era generado por IA. En paralelo, Anthropic reporta que Australia lidera el uso per cápita de su chatbot Claude, con el trabajo de curso como una parte significativa de ese consumo. Un análisis de 2026 de las propias autoras del artículo original, Meena Jha (CQUniversity) y Amara Atif (University of Technology Sydney), añade el matiz incómodo: la mayoría de las universidades australianas ya tienen políticas de IA por escrito, pero persisten brechas notables entre lo que dicen esas políticas y lo que ocurre realmente en el aula.

Conviene frenar antes de leer el titular como un escándalo de trampas masivas. Las herramientas de detección de IA, incluida la de Turnitin, estiman una probabilidad de escritura asistida, no un veredicto de mala conducta académica. Una puntuación alta puede reflejar perfectamente un uso declarado y permitido —pedirle a un modelo que pula la gramática o sugiera una estructura— tanto como un caso de sustitución lisa y llana del pensamiento propio. Mezclar ambos escenarios bajo la misma cifra es el primer error que cometen los titulares alarmistas, y el artículo original acierta al señalarlo.

El problema de fondo, y aquí está lo que de verdad debería preocupar a rectorados y facultades, no es si hay IA en el texto sino qué proceso de aprendizaje queda por detrás. Pedir un ensayo final único, tal y como se ha hecho durante décadas, es hoy una forma de evaluación mal calibrada para un mundo donde cualquier estudiante tiene acceso instantáneo a un asistente capaz de producir prosa aceptable en segundos. Las autoras proponen un giro razonable: evaluar el proceso además del producto, pidiendo a los estudiantes que documenten cómo usaron la IA, qué sugerencias aceptaron o rechazaron y por qué. Es una idea sensata, pero exige rehacer el diseño curricular completo —actividades, rúbricas, formación docente— y eso no se improvisa en un semestre.

Aquí es donde conviene situar el episodio en un marco más amplio. Como contexto del sector, esta tensión entre detectar el uso de IA y rediseñar la enseñanza en torno a ella se repite en cada industria basada en conocimiento: la banca, el derecho, la administración de empresas. En todas ellas el patrón es el mismo: lo rutinario y mecánico se automatiza primero, y lo que sobrevive es el criterio, la capacidad de juzgar si una respuesta generada tiene sentido, y la relación humana que la envuelve. La universidad no es una excepción, es solo el lugar donde ese criterio debería formarse antes de que el estudiante lo necesite en el mercado laboral.

Hay también una lectura sobre las herramientas mismas. El informe de Turnitin apunta a una demanda creciente de sistemas de IA diseñados específicamente para educación, frente a asistentes genéricos como ChatGPT que responden a cualquier pregunta sin conocer el contexto pedagógico ni la política institucional. Esa distinción —IA genérica de propósito general frente a IA acotada a un dominio con reglas propias— es la misma que ya hemos visto emerger en otros sectores regulados: cuanto más se generaliza el uso de un modelo, más valor gana la capa de gobernanza que decide qué puede hacer y qué queda registrado. No es un detalle técnico menor; es la infraestructura que determinará si estas herramientas se integran con confianza o generan una espiral de sospecha mutua entre alumnado y profesorado.

Nuestra lectura es que este episodio confirma algo que llevamos meses señalando desde otros ángulos: la transición hacia una economía apoyada en IA no se resuelve con vetos ni con detectores más sensibles, sino con instituciones que aceptan el cambio de reglas del juego y reconstruyen sus procesos alrededor de él. A corto plazo, eso implica un periodo incómodo de ensayo y error —currículos a medio rediseñar, profesorado desbordado, políticas que llegan tarde a la práctica real— exactamente el tipo de fricción de transición que no conviene minimizar. Pero a medio plazo, una universidad que enseñe a evaluar críticamente lo que produce una IA, en vez de prohibirla o ignorarla, está formando precisamente el tipo de criterio humano que seguirá teniendo valor cuando la abundancia de herramientas de IA haga trivial generar texto, código o análisis de primera pasada. El verdadero aprendizaje que debe sobrevivir a esta ola no es escribir mejor un párrafo: es saber cuándo confiar en la máquina y cuándo no.