Evaluar con IA: que nadie finja haber leído tu trabajo

Una estudiante entrega un trabajo en el que ha intentado ordenar una idea que al principio no sabía explicar. Ha buscado fuentes, ha descartado argumentos, ha vuelto sobre una página que no le convencía y, finalmente, ha enviado el texto. Días después recibe una nota y varios comentarios. Algunos le sirven; otros parecen escritos para un trabajo que se parece al suyo, pero no es el suyo.

Entonces aparece una pregunta que la nota no resuelve: ¿ha llegado lo que quería decir a otra persona? No describo un caso concreto, sino una situación posible que permite ver lo que nos jugamos cuando hablamos de corregir con inteligencia artificial.

No todas las universidades han decidido lo mismo

El 28 de septiembre de 2026, The Guardian informó de que varias universidades australianas permiten al profesorado utilizar IA para apoyar determinados aspectos de la corrección, aunque con límites diferentes. En Deakin, por ejemplo, puede ayudar en tareas de evaluación y administración, pero no asignar calificaciones; Western Sydney mantiene que el juicio académico, la nota y la devolución son responsabilidad de sus docentes. Otras universidades, como Melbourne y Sydney, no permiten usar IA generativa para corregir.

El reportaje recoge las dudas de profesorado y estudiantes y la presión de unas plantillas que ya trabajan con exceso de carga. No demuestra que un sistema haya empeorado el aprendizaje: cuenta una discusión real sobre cómo y para qué usarlo.

Esa presión importa. Si un profesor tiene cientos de trabajos que devolver y apenas tiempo para leerlos, decirle simplemente «hazlo todo a mano» puede sonar moralmente impecable y no cambiar nada. Una herramienta capaz de señalar una referencia mal citada, detectar una incoherencia o proponer una primera lista de aspectos a revisar podría liberarle tiempo para hacer lo que más necesita el alumno. Hay usos de la IA que merecen probarse.

Precisamente por eso conviene preguntarse qué trabajo estamos tratando de ahorrar y cuál no deberíamos perder.

Corregir es una conversación diferida

Corregir no consiste solo en localizar defectos y convertirlos en una nota. A menudo es una conversación diferida: alguien expone su manera de pensar y otra persona le ayuda a ver dónde ha acertado, dónde ha dado un salto que no justifica y qué podría intentar después. Para que esa devolución enseñe, el docente necesita reconocer algo singular en el texto, incluso cuando el texto es todavía torpe.

Una observación genérica puede ser impecable en su forma y, sin embargo, no alcanzar el punto en el que ese alumno necesita ayuda. Y en esa lectura también aprende quien enseña. Un profesor universitario no lo sabe todo: los trabajos de sus alumnos pueden mostrarle una pregunta que no había previsto, una objeción a sus explicaciones o un aspecto que falta en los criterios con los que empezó a corregir.

Si no lee personalmente los trabajos, no solo deja al estudiante sin una respuesta propia; se priva de la ocasión de revisar lo que él mismo creía saber.

En mis asignaturas en la universidad utilizo la IA como apoyo a la corrección. Me ayuda a preparar criterios comparables para todos, a contrastar mi primera impresión y a vigilar que una simpatía o antipatía personal no se cuele en la valoración. Eso no convierte la nota en «objetiva» por arte de magia: esos criterios también necesitan ser examinados y, a veces, corregidos a la luz de los trabajos.

La lectura, la visión global y la decisión final siguen siendo mías. Si la herramienta me ahorrase precisamente el encuentro con lo que el alumnado ha pensado, estaría perdiendo una parte de mi propio aprendizaje. Es la misma orientación que defiendo en «IA en la universidad: aprender más, no pensar menos»: la herramienta debe ampliar el aprendizaje, no sustituirlo por una apariencia eficiente.

La deriva de verificación

La dificultad aparece cuando la herramienta deja de ser una segunda mirada y se convierte, por cansancio o por prisa, en la primera y casi única. Armin Alimardani, profesor de Western Sydney citado en el reportaje, advierte de una posible «deriva de verificación»: después de revisar varias respuestas automáticas que parecen buenas, quien supervisa puede empezar a comprobarlas con menos cuidado. Es una advertencia plausible, no una medición de lo que ya ocurre en todas las aulas.

Pero toma en serio algo que conocemos fuera de la universidad: revisar de verdad también cuesta tiempo, y el botón de aprobar resulta tentador cuando uno va tarde.

Hay otra incomodidad que no deberíamos eludir. Si exigimos al estudiante que no presente como propio un texto que no ha pensado ni escrito, ¿qué le estamos diciendo cuando recibe una evaluación que su profesor apenas ha leído? Las responsabilidades de ambos no son iguales: el docente puede usar instrumentos legítimos para preparar su trabajo, del mismo modo que el alumno puede utilizarlos con reglas claras. La simetría fácil engaña.

Pero el compromiso que sostiene la relación sí es recíproco: si te pido que pienses por ti mismo, he de ofrecerte una respuesta que no finja una atención que no te he prestado. Por eso, como explico en «¿Usar IA es hacer trampas?», la pregunta decisiva no es si la herramienta estuvo presente, sino qué parte del trabajo y de la responsabilidad seguimos asumiendo.

¿A quién vuelve el tiempo ahorrado?

Esto exige hablar también de las condiciones de trabajo. Resultaría cómodo celebrar la «eficiencia» sin preguntar quién gana el tiempo ahorrado. Si el profesor puede dedicarlo a conversar, a orientar mejor o a revisar los casos que más lo necesitan, quizá la herramienta esté ampliando su tarea. Si la universidad aprovecha para aumentar el número de alumnos por docente y reducir a quienes corrigen de forma precaria, el tiempo liberado desaparece antes de llegar al aula.

El reportaje recoge esa preocupación laboral, no un desenlace ya probado. Aun así, evaluar una tecnología educativa sin observar cómo reorganiza el trabajo humano sería quedarse a mitad de camino.

El criterio útil no es proclamar «IA sí» o «IA no» para todas las correcciones. Habría que mirar qué hace exactamente el sistema, qué datos recibe, qué errores comete y quién puede detectarlos. También habría que preguntar a los estudiantes si los comentarios les ayudan a revisar un argumento concreto y a los docentes si conservan tiempo real para leer, discrepar de la sugerencia automática y explicar su juicio.

Una política que declara «la responsabilidad sigue siendo humana» dice algo necesario, pero todavía no nos cuenta si esa responsabilidad cabe dentro de la jornada de quien debe ejercerla.

Usos modestos, transparentes y revisables

Podríamos empezar por delimitar usos modestos y comprobables, establecer criterios comunes antes de evaluar y mantener la decisión sobre la nota en manos del profesorado. Después habría que comprobar si los trabajos revelan aspectos que esos criterios iniciales no recogían, ajustar el marco de manera transparente y aplicar el mismo criterio revisado a todos. Revisar muestras de devoluciones ayudaría a detectar respuestas correctas solo en apariencia.

Harían falta canales para que el estudiante pudiera pedir aclaraciones a una persona y para que el docente reconociera cuándo una sugerencia de IA no ha servido. No presento estas medidas como resultados validados por el reportaje, sino como preguntas prácticas con las que una universidad podría someter sus promesas a prueba. La transparencia sobre el uso de la herramienta ayudaría más que una disputa abstracta sobre si todo comentario asistido es bueno o malo.

Quizá el verdadero riesgo no sea recibir una frase escrita por una máquina, sino acostumbrarnos a que la apariencia de diálogo sustituya al encuentro y pensar que corregir era, en el fondo, un trámite mecánico. Cuando reducimos una tarea a su caricatura para automatizarla, dejamos fuera lo que nos obligaba a pensar. Una devolución humana puede ser injusta, rutinaria o pobre; la firma de un profesor no garantiza nada por sí sola.

Pero precisamente porque enseñar y aprender son relaciones imperfectas necesitamos la posibilidad de preguntar, de rectificar y de saber quién responde. Antes de automatizar una corrección, yo querría saber si el tiempo que ganamos vuelve al alumno en forma de atención y si seguimos aprendiendo de lo que nos entrega. Si no vuelve, habremos acelerado el trámite y dejado intacta —o más honda— la pregunta con la que empezó: ¿alguien me ha leído de verdad?

Origen y fuentes

Esta entrada adapta mi artículo de LinkedIn «¿Y si nadie leyera de verdad tu trabajo?», publicado el 29 de septiembre de 2026. Los hechos sobre las universidades australianas y la cita de Armin Alimardani proceden del reportaje de The Guardian del 28 de septiembre de 2026. Las propuestas prácticas y la experiencia docente son las de mi texto original.