La BUAP entrena a sus profesores como 'Docentes GuIA': la IA obliga a rediseñar cómo se evalúa, no a prohibirla

Por Zendoric · 11 de septiembre de 2026.

La Benemérita Universidad Autónoma de Puebla (BUAP) ha concluido su Diplomado en Inteligencia Artificial y Transformación Docente, un programa de 120 horas dirigido a sus propios profesores. El objetivo declarado es ambicioso: formar a mil 'Docentes GuIA' —un nuevo perfil docente pensado para la era de la IA generativa— en el plazo de un año, según ha anunciado la propia universidad.

El diplomado, organizado por la Agencia de Inteligencia Artificial y Ética Algorítmica de la BUAP y avalado por su Escuela de Formación Docente y Desarrollo Académico, se articuló en cuatro microcredenciales —bloques de formación certificables por separado—: evolución de la IA, 'GuIA Docente', transformación de la evaluación, y bienestar y desarrollo. La idea de fondo no es enseñar a los profesores a manejar una herramienta, sino replantear el diseño de sus clases y, sobre todo, cómo se evalúa a un alumno que ya tiene acceso permanente a un asistente generativo.

Según la definición de la propia BUAP, el Docente GuIA combina comprensión técnica de la IA, transformación pedagógica, nuevos criterios de evaluación, pensamiento crítico, responsabilidad ética y desarrollo humano. Su función añadida es enseñar al estudiante a distinguir cuándo conviene usar IA, cuándo conviene cuestionarla y cuándo es mejor prescindir de ella directamente.

Los primeros resultados, medidos por la propia universidad al cierre del curso, muestran mejoras notables en las respuestas de los docentes: quienes afirman diseñar actividades incorporando IA pasaron del 50 al 91,7%; quienes dicen tener criterios definidos para evaluar trabajos asistidos por IA, del 33,4 al 83,4%; y quienes orientan a sus alumnos a analizar críticamente contenido generado por IA, del 33,3 al 100%. Un 83,3% asegura además que sus estudiantes ya verifican datos y contrastan fuentes. Conviene tomar estas cifras por lo que son: una autoevaluación de los propios participantes justo al terminar la formación, sin que la BUAP haya precisado el tamaño de la muestra ni si el efecto se sostiene meses después, ya en el aula real y sin el impulso del propio curso.

Como contexto del sector, la BUAP no hace sino formalizar un problema que recorre la educación superior en todo el mundo desde que la IA generativa se generalizó: el trabajo para casa y el ensayo tradicional dejaron de ser una prueba fiable de qué sabe un alumno, porque resulta casi imposible saber cuánto ha escrito la máquina. La respuesta más extendida hasta ahora ha sido reactiva —detectores de IA poco fiables, prohibiciones difíciles de vigilar—; lo que propone este programa es la vía contraria: capacitar al profesor para rediseñar la evaluación desde el diseño de la actividad, no para perseguir el fraude después de cometido.

Nuestra lectura es que este diplomado retrata en miniatura la tesis que venimos sosteniendo sobre el impacto de la IA en la educación: el profesor que sale beneficiado no es el que compite con la máquina en velocidad o memoria, sino el que aprende a orquestarla —diseñar con ella, evaluar a través de ella, enseñar a cuestionarla—, mientras que el perfil que se limita a transmitir contenido es precisamente el que estas 120 horas de formación buscan hacer desaparecer. Es una transición con coste real: exige tiempo, presupuesto y una estructura institucional capaz de sostener una agencia dedicada a ética algorítmica, algo que no todas las universidades —empezando por las que compiten por recursos con la BUAP en el propio sistema público mexicano— pueden permitirse igual de rápido. Ese desnivel de capacidad entre instituciones es uno de los riesgos de corto plazo que menos se discuten: no solo qué alumnos aprenden a usar la IA con criterio, sino qué universidades tienen los medios para formar a los profesores que se lo enseñen.

Si el efecto se sostiene fuera del entorno controlado del propio diplomado, la dirección de fondo apunta hacia algo que compartimos: una educación que deja de premiar la memorización y empieza a evaluar criterio, verificación y pensamiento crítico frente a una máquina que ya maneja más datos que cualquier docente. Es el tipo de reasignación de tareas —de lo rutinario a lo específicamente humano— que sostiene nuestra apuesta de fondo por una IA que, superada la fricción de la adaptación, termine liberando tiempo de los profesores para lo que de verdad marca la diferencia en un aula.