Junio/26 Vargas Cano aborda la regulación de la inteligencia artificial en la educación superior mediante una relectura crítica de la Ley 30 de 1992, evidenciando que, en lugar de imponer prohibiciones, el marco legal vigente exige actualizar los diseños evaluativos, fortalecer la gobernanza institucional y garantizar la formación ética y ecológica de la comunidad académica, con el fin de contrarrestar la pereza argumentativa y proteger la autonomía universitaria frente a la delegación cognitiva.
La irrupción de la inteligencia artificial generativa en las aulas universitarias no constituye un simple fenómeno tecnológico, sino un espejo implacable que refleja las grietas y las potencialidades del ecosistema académico contemporáneo. Frecuentemente, la reacción institucional oscila entre el pánico moral y la prohibición ingenua, ignorando que el verdadero desafío no reside en la máquina, sino en las propias dinámicas formativas. Para navegar esta encrucijada, no resulta indispensable esperar una legislación ex novo que regule lo inefable. La Ley 30 de 1992, marco rector de la educación superior en Colombia, conserva plena vigencia y ofrece el andamiaje ético, pedagógico y político necesario. Tres décadas después de su promulgación, este cuerpo normativo exige una relectura hermenéutica que permita regular la inteligencia artificial desde los principios de calidad, pertinencia, autonomía y justicia social.
En la cotidianidad de las IES se evidencia la denominada pereza argumentativa del estudiante, quien tiende a delegar el pensamiento crítico a un modelo de lenguaje, en concomitancia con la obsolescencia de un cuerpo docente que aún evalúa mediante el copie y pegue de resúmenes que una máquina puede sintetizar en segundos. Esta dinámica perversa vulnera el espíritu reflexivo y la autonomía personal que el artículo 4 de la Ley 30 ordena despertar en los educandos. En consecuencia, regular la inteligencia artificial exige una reconfiguración de lo que se entiende por calidad académica, protegida por la suprema inspección del artículo 32. La honestidad académica no puede limitarse a la persecución policial del plagio algorítmico; por el contrario, debe institucionalizar la evaluación de procesos y la cocreación.
Si un trabajo es íntegramente replicable por una inteligencia artificial, el diseño instruccional subyacente resulta institucionalmente deficiente, poniendo en entredicho los medios y procesos empleados en la formación.
Esta reconfiguración pedagógica se encuentra intrínsecamente ligada al interés y la motivación estudiantil. Cuando el estudiantado prefiere la respuesta sintética de la máquina, suele ser porque la academia ha fallado en conectar el aula con la realidad circundante. El artículo 6 de la normativa es tajante al establecer que la educación superior debe solucionar las necesidades del país y formar integralmente. Por ende, la regulación institucional de la inteligencia artificial debe desincentivar su uso como un mero atajo memorístico y promoverlo como una herramienta de simulación, análisis de datos comunitarios y resolución de problemas locales. El interés académico emerge cuando la universidad deja de funcionar como una fábrica de resúmenes para consolidarse como un laboratorio de impacto, donde la tecnología se subordina a la pertinencia nacional y al desarrollo científico y cultural del contexto
La implementación de estas transformaciones no puede ser producto de decretos verticales ni de la improvisación de los departamentos de tecnologías de la información; requiere, por el contrario, una gobernanza democrática y colegiada. La autonomía universitaria, consagrada en el artículo 28, protege el derecho de las instituciones a definir sus propias labores formativas, mientras que el artículo 30 reivindica la búsqueda libre y responsable de la verdad. En este escenario, los Consejos Superiores, erigidos por el artículo 68 como la máxima autoridad académica, debe asumir el rol de arquitecto de la ética algorítmica. La regulación de la inteligencia artificial en cada claustro debe materializarse como un pacto ético, debatido y construido por docentes, estudiantes y expertos, garantizando que la adopción de estas tecnologías respete la pluralidad ideológica y la libertad de cátedra, blindando a la comunidad universitaria del determinismo tecnológico de las grandes corporaciones de datos.
No obstante, constituye una falacia exigirle al estudiante un pensamiento crítico frente a la máquina si su profesorado carece de las herramientas para guiarlo en esta nueva episteme. La Ley 30 es clara al establecer en sus artículos 70, 75 y 123 la necesidad de concursos de méritos, la evaluación del desempeño y, fundamentalmente, la capacitación continua del personal docente. La alfabetización en inteligencia artificial no puede reducirse a un taller optativo; debe erigirse como un derecho y un deber institucional. Las IES y el Estado deben garantizar la formación masiva de los docentes en la ingeniería de indicaciones críticas, la ética de los datos y los nuevos diseños de evaluación. Sin un profesorado actualizado que comprenda los límites y las alucinaciones de los modelos de lenguaje, cualquier política de regulación tecnológica estará condenada al fracaso. A esto se suma el mandato del artículo 129, que hace de la formación ética profesional un elemento fundamental y obligatorio. La ética universitaria del siglo XXI debe trascender el plagio tradicional para abrazar la responsabilidad frente a los sesgos algorítmicos y la privacidad de la información.
Ahora bien, lo descrito hasta ahora no estaría completo si se ignoraran las externalidades invisibles de la revolución artificial. El entrenamiento de los grandes modelos de lenguaje consume millones de litros de agua y emite toneladas de carbono, un costo ecológico que choca frontalmente con el mandato del literal i del artículo 6, el cual ordena promover la preservación de un medio ambiente sano y fomentar la educación y cultura ecológica. Regular la inteligencia artificial implica, por tanto, educar en la eco-alfabetización digital, enseñando a la comunidad universitaria a utilizar estos recursos con austeridad y plena conciencia de su huella de carbono. La universidad, en su rol de factor de desarrollo ético y social, debe liderar la adquisición de tecnología sostenible y cuestionar el uso frívolo del cómputo masivo.
Regular la inteligencia artificial en la educación superior colombiana no es un ejercicio de restricciones burocráticas, sino la oportunidad histórica de reivindicar el alma de la institución académica. La Ley 30 de 1992 no ha envejecido; lo que ha envejecido es la interpretación perezosa de sus mandatos. Al cruzar sus principios con los desafíos de la era artificial, se hace evidente que la verdadera regulación no se encuentra en un software de detección de plagio, sino en un estudiantado formado bajo el espíritu reflexivo de la autonomía, un profesorado comprometido con la actualización pedagógica, y una gobernanza universitaria que defiende la verdad por encima de la eficiencia. Es imperativo que la academia colombiana deje de pedirle permiso a las máquinas y empiece a dictarles las reglas del juego en nombre del conocimiento, la ética y la sociedad.
Referencias
• Congreso de la República de Colombia. (1992, 28 de diciembre). Ley 30 de 1992, por la cual se organiza el servicio público de la Educación Superior. Diario Oficial No. 40.700. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=253
• Asamblea Nacional Constituyente. (1991). Constitución Política de Colombia. https://sidn.ramajudicial.gov.co/SIDN/NORMATIVA/TEXTOS_COMPLETOS /1_CONSTITUCION_POLITICA/Constituci%C3%B3n_2024.pdf
• Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228–241. https://doi.org/10.1080/14703297.2023.2190148
• Baidoo-Anu, D., & Owusu Ansah, L. (2023). Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI, 7(1), 52–62. https://doi.org/10.61969/jai.1337500
• Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign. https://curriculumredesign.org/wp-content/uploads/AIED-Book-ExcerptCCR.pdf
• UNESCO. (2023). Guidance for generative AI in education and research. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000386693
• Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2
• Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education: Where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
• Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 3645–3650. https://doi.org/10.18653/v1/P19-1355
• Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI less “thirsty”: Uncovering and addressing the secret water footprint of AI models. arXiv preprint arXiv:2304.03271. https://doi.org/10.48550/arXiv.2304.03271
—–
Consultor y Conferencista de Tecnología Educativa
https://edutechiacol.odoo.com/
