En el contexto de la educación superior, el aseguramiento interno de la calidad ha experimentado un proceso de complejización creciente, impulsado por la diversificación de criterios evaluativos, el aumento de las exigencias de los organismos acreditadores, la incorporación de estándares internacionales y la necesidad de articular normativas, planes estratégicos y resultados en una lógica de mejora continua, tanto en términos de gestión institucional como de cumplimiento de criterios establecidos por organismos externos. La necesidad de revisar, mantener actualizados y articular coherentemente documentos clave —como sistemas internos de calidad, reglamentos, modelos educativos, planes estratégicos y protocolos— exige una carga técnica considerable para los equipos institucionales. En este escenario, la inteligencia artificial generativa (IAG) emerge como una herramienta de apoyo técnico altamente funcional.

Lejos de reemplazar funciones humanas, su aporte radica en la organización de información, la mejora de redacción técnica, la revisión cruzada de documentos y la sistematización de evidencias, todo ello bajo supervisión y control humano. A continuación, se describen los principales usos de la IA generativa en el aseguramiento interno de la calidad, ejemplificados desde prácticas concretas.

1. Revisión y mejora de documentos institucionales

Uno de los aportes más inmediatos de la IA generativa es su capacidad para procesar documentos extensos, comparar versiones, identificar inconsistencias y sugerir mejoras técnicas. Esto es particularmente útil en la revisión de:

• Sistemas Internos de Aseguramiento de la Calidad (SIAC), donde puede detectar vacíos entre las definiciones formales y los mecanismos de seguimiento declarados.
• Modelos educativos, facilitando el análisis estructural y su coherencia con los fines institucionales, perfiles de egreso y progresiones curriculares.
• Reglamentos institucionales y protocolos académicos, donde permite verificar alineación con políticas internas y estándares externos.
• Planes de desarrollo institucional (PDI) o planes de mejora, proponiendo ajustes según el avance declarado y nuevas prioridades identificadas.

Además, la IA permite desglosar cada documento en bloques temáticos, por ejemplo, al procesar un reglamento académico institucional, puede identificar secciones sobre evaluación, docencia, vinculación con el medio, derechos estudiantiles o mecanismos de revisión, facilitando una revisión organizada y focalizada de sus componentes principales, resumir su estructura, detectar duplicidades y mejorar la redacción formal, agilizando la tarea de revisión para comités o direcciones académicas.

2. Verificación de coherencia documental

La IA generativa puede actuar como asistente en la verificación cruzada entre distintos documentos, detectando inconsistencias o incoherencias entre:

• Resultados de aprendizaje y perfil de egreso.
• SIAC y reglamento de autoevaluación.
• Malla curricular y modelo educativo.
• Actas de comités y versiones oficiales de programas de asignatura.

Este análisis puede ser estructurado a través de matrices de consistencia generadas automáticamente, que identifican correspondencias y brechas entre los elementos clave del ecosistema institucional. La herramienta puede marcar puntos críticos donde se requiere revisión profesional, permitiendo priorizar el trabajo técnico de validación.

3. Apoyo a rediseños y actualizaciones técnicas

La IA puede acompañar técnicamente procesos de actualización normativa, rediseño curricular y reformulación de instrumentos de gestión de la calidad. Algunos ejemplos incluyen:

• Propuesta inicial de nuevos programas de asignatura, alineados con el modelo educativo y los perfiles de egreso.
• Evaluación del impacto de una modificación en la malla curricular, mediante simulación de trayectorias de aprendizaje.
• Revisión del SIAC, con sugerencias de ajustes en sus componentes o indicadores para adecuarse a nuevas orientaciones externas.
• Comparación estructural entre versiones de documentos, facilitando la preparación de minutas técnicas o informes justificativos.

Estas funciones permiten ganar tiempo en las etapas preliminares, entregando borradores o propuestas que luego deben ser validadas por equipos profesionales.

4. Sistematización de evidencias para auditorías internas

En auditorías académicas, la IA puede sistematizar los insumos de análisis con mayor agilidad y orden. Se pueden utilizar herramientas basadas en modelos de lenguaje para:

• Clasificar evidencias según estándares o dimensiones del marco de calidad.
• Detectar vacíos de información o duplicidades en la documentación recopilada.
• Construir fichas técnicas de evidencias, con resumen, fuente, fecha, y propósito evaluativo.
• Redactar narrativas preliminares sobre hallazgos, fortalezas o áreas por mejorar, sujetas siempre a revisión del equipo auditor.

Este tipo de uso permite liberar carga operativa a los equipos humanos, que pueden concentrarse en el análisis sustantivo y la validación crítica de los hallazgos.

5. Evaluación de alineación normativa y estándares externos

La IA permite realizar una lectura transversal y asistida de los criterios establecidos por agencias de acreditación, facilitando la verificación del cumplimiento institucional. A partir del procesamiento de estándares CNA, ANECA u otros, se pueden generar:

• Listas de verificación por dimensión y subcriterio.
• Matrices comparativas entre lo exigido por el estándar y lo evidenciado en documentos institucionales.
• Alertas de incumplimiento o vacíos documentales que requieren acción correctiva.
• Fichas diagnósticas por criterio, con evaluación preliminar de estado, ejemplos de evidencia y recomendaciones de mejora.

Estas funciones son particularmente útiles en etapas iniciales de preparación para procesos de certificación o reacreditación, como por ejemplo al contrastar documentos institucionales con los criterios de la CNA en su dimensión 2 (Gestión estratégica y aseguramiento de la calidad) o al evaluar el cumplimiento de directrices del modelo AUDIT de ANECA en la planificación de mejoras, donde es necesario detectar tempranamente brechas técnicas.

6. Apoyo en simulación de escenarios evaluativos

Finalmente, la IA puede colaborar en la preparación de instituciones para procesos evaluativos externos mediante:

• Simulación de preguntas tipo de visitas de pares evaluadores.
• Revisión de la narrativa institucional desde la lógica externa de los comités.
• Elaboración de respuestas preliminares a observaciones o recomendaciones pasadas, a partir de bases documentales institucionales.
• Preparación de insumos técnicos para la socialización interna, como presentaciones para consejos académicos o reuniones de planificación.

Estas simulaciones no solo permiten anticipar escenarios, sino también fortalecer la preparación discursiva y documental de equipos directivos y técnicos involucrados en procesos de evaluación.

Los usos de la inteligencia artificial generativa en contextos de aseguramiento interno de la calidad son múltiples, diversos y altamente funcionales.

Su integración, cuando se realiza con criterio técnico y bajo supervisión profesional, permite optimizar tareas críticas, fortalecer la trazabilidad documental y mejorar la capacidad de respuesta institucional ante requerimientos externos. El valor de estas herramientas no reside en automatizar el juicio, sino en liberar tiempo técnico, ordenar la información y facilitar procesos que, en última instancia, siguen siendo responsabilidad de las personas.

Además, su uso estratégico favorece una cultura institucional de revisión continua, donde los equipos académicos y administrativos disponen de apoyos concretos para enfrentar los desafíos crecientes de la gestión de la calidad. La IA puede contribuir significativamente a disminuir la fragmentación documental, acelerar los ciclos de mejora continua y apoyar la articulación entre normativas, planes y resultados. Esta capacidad de conectar información dispersa, simular escenarios de evaluación y organizar el trabajo técnico bajo lógicas verificables, refuerza el carácter formativo y transformador del aseguramiento de la calidad en las instituciones de educación superior. En suma, la inteligencia artificial, bien integrada, se proyecta como una aliada legítima para sostener y fortalecer los sistemas de calidad desde una mirada colaborativa, eficiente y sustentada en la mejora permanente. Su integración, cuando se realiza con criterio técnico y bajo supervisión profesional, permite optimizar tareas críticas, fortalecer la trazabilidad documental y mejorar la capacidad de respuesta institucional ante requerimientos externos. El valor de estas herramientas no reside en automatizar el juicio, sino en liberar tiempo técnico, ordenar la información y facilitar procesos que, en última instancia, siguen siendo responsabilidad de las personas.

Referencias:

Agencia Nacional para el Aseguramiento de la Calidad de la Educación Superior (ANQA). (2024). Post-accreditation impact analysis using AI-assisted document review. Yerevan: ANQA. https://www.anqa.am/en/news-events/news/ai-as-a-tool-for-quality-assurance-system-analysis-presenting-anqa-s-practice-at-the-enqa-members-forum/

Banco Mundial. (2024). La revolución de la inteligencia artificial en la educación superior: Lo que hay que saber. https://www.bancomundial.org/es/region/lac/publication/ia-educacion-superior-inteligencia-artificial

Bossio, J. (2024). Inteligencia artificial y gestión de la calidad en la educación superior. LinkedIn Pulse. https://www.linkedin.com/pulse/inteligencia-artificial-y-gesti%C3%B3n-de-la-calidad-en-bossio/

Henríquez Orrego, A. (2024). Guía para crear GPTs personalizados en contextos educativos. Historia1Imagen. https://historia1imagen.cl/guia-practica-para-crear-gpts-personalizados-diseno-curricular/

Henríquez Orrego, A. (2025, mayo 8). Integración de inteligencia artificial en la gestión académica: Metodología para la creación de GPTs personalizados. Historia1Imagen. https://historia1imagen.cl/2025/05/08/integracion-de-inteligencia-artificial-en-la-gestion-academica-metodologia-para-la-creacion-de-gpts-personalizados/

Rhoads, M. (2024). Harnessing generative AI for a comprehensive WASC accreditation visit: A step-by-step methodology. https://matthewrhoads.com/2024/03/15/harnessing-generative-ai-for-a-comprehensive-wasc-accreditation-visit-a-step-by-step-methodology/

Ruiz Muñoz, G. F., Vasco Delgado, J. C., & Lozano Zamora, S. L. (2024). Evaluación y acreditación universitaria: Integración de la inteligencia artificial en los sistemas de calidad. Revista Social Fronteriza, 4(6), e511. https://doi.org/10.59814/resofro.2024.4(6)511

UNESCO. (2023). Guía para el uso de la inteligencia artificial generativa en la educación y la investigación. París: Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/ark:/48223/pf0000386352

Universidad de Las Américas. (2024). Marco para el uso de la inteligencia artificial en UDLA. https://www.udla.cl/descargas/normativas/marco-para-uso-ia-en-udla.pdf

Youm, J., & Dabzadeh, Z. (2024). Twelve tips to guide the use of data with generative AI for accreditation and continuous quality improvement. University of California, Irvine. https://www.aamc.org/media/82576/download?attachment

Atte

Ana Henriquez Orrego