Ni prohibir la IA ni adoptarla a ciegas: el marco C.A.R.E. de Gonzaga expone el vacío de las universidades

Por Zendoric · 7 de octubre de 2026.

Jay Yang dirige el Institute for Informatics and Applied Technology de Gonzaga University, universidad jesuita de Spokane (Washington), y lidera allí una cohorte de profesores del programa "xAI Faculty Fellows" que estudia cómo la IA afecta a la formación humana, la preparación profesional de los estudiantes y la misión jesuita de la institución. Yang ha desarrollado además C.A.R.E.: un acrónimo en inglés para Clarity, Authorship, Reciprocity y Effects (claridad, autoría, reciprocidad y efectos), cuatro áreas que repasa cuando trabaja con IA, cada una con preguntas que considerar, una práctica positiva y los riesgos potenciales de usar IA en un proyecto concreto, según explica el propio Yang a Gonzaga News.

Yang sitúa el origen de C.A.R.E. en la pedagogía ignaciana y en el concepto jesuita de "cura personalis" (el cuidado de la persona en su totalidad), además de en el marco PAL —Purpose, Agency, Learning (propósito, agencia, aprendizaje)— desarrollado por otra profesora de Gonzaga, Anny Case. No es un reglamento sino un hábito: el objetivo, dice, es interiorizar estas preguntas hasta que se vuelvan segunda naturaleza, y que sus propios hijos y otros usuarios lleguen a desarrollar algo parecido.

Lo relevante no es el acrónimo sino el diagnóstico que lo motiva. Yang rechaza los dos extremos del debate universitario sobre IA: prohibirla, que llama "un enfoque equivocado", y empujarla "sin una estrategia bien pensada", que le parece igual de dañino. Su objeción de fondo va contra el marco que equipara IA con trampa académica: según Yang, "le dice a la sociedad cómo usar mal o abusar de la tecnología, en vez de promover el uso correcto para el florecimiento humano". Propone evaluar a los estudiantes por el proceso de resolver un problema y no solo por la respuesta final, y crear consejos interdisciplinares de IA en cada universidad que recojan buenas prácticas que, afirma, ya existen de forma dispersa en casi toda institución. Distingue además entre la IA generativa como ayuda para pensar —tormenta de ideas, conexión de puntos de vista, con citas correctas— y la IA agéntica que actúa de forma autónoma, que considera "otra conversación".

Como contexto del sector, hemos señalado antes el desfase entre la adopción estudiantil y la preparación docente en EE. UU.: la mayoría de los alumnos universitarios ya usa IA generativa de forma habitual, mientras que apenas uno de cada cuatro profesores se siente preparado para integrarla en su enseñanza. Esa brecha es el terreno en el que aparecen iniciativas como C.A.R.E.: no sustituyen una política institucional, la rellenan mientras esta no llega.

Nuestra lectura es que el valor de este caso no está en la cifra —no hay estudio, ni dato de adopción, ni evidencia de que el marco reduzca el mal uso de la IA— sino en lo que revela sobre el estado de la gobernanza educativa: mientras rectorados y consejos universitarios siguen debatiendo entre prohibir y permitir, son profesores individuales quienes están diseñando, por su cuenta, la capa de criterio que falta. Es un patrón que ya vemos en otros ámbitos de la IA: la regulación y la estrategia institucional van por detrás de la práctica cotidiana, y son los usuarios avanzados quienes improvisan las barandillas. A medio plazo, esperamos que marcos como este —o el PAL que lo inspira— dejen de ser iniciativa personal y se conviertan en currículo evaluable, igual que ya ocurrió con la alfabetización digital hace una generación.

Esto conecta con una tesis que venimos defendiendo: el cuello de botella de la próxima década no es la capacidad de los modelos, sino la capacidad humana de usarlos con criterio —saber cuándo delegar y cuándo no—. Que esa competencia se enseñe hoy como práctica consciente, con preguntas explícitas sobre autoría y efectos, es exactamente el tipo de trabajo de base que hace posible el escenario de largo plazo que defendemos: una IA que amplifica el aprendizaje y libera tiempo para el pensamiento de mayor nivel, en vez de vaciar la "lucha productiva" —el esfuerzo cognitivo necesario para aprender de verdad— que el propio Yang identifica como el riesgo real de atajar con IA sin criterio. El riesgo a corto plazo es que, sin ese criterio, la tecnología erosione justo la capacidad que a largo plazo debería potenciar.