En un contexto donde las instituciones de educación superior enfrentan el desafío de consolidar sistemas internos de aseguramiento de la calidad, la auditoría académica emerge como una práctica con alto potencial técnico y formativo. Lejos de constituirse como un instrumento punitivo o exclusivamente fiscalizador, su valor radica en la posibilidad de observar con rigor cómo se están desplegando los procesos misionales, de identificar brechas con base en evidencia y de contribuir a decisiones estratégicas fundamentadas. En este sentido, las auditorías académicas pueden ofrecer una vía concreta para articular mejora continua, análisis técnico y cultura evaluativa en sintonía con los compromisos institucionales y los marcos regulatorios vigentes.
Esta propuesta metodológica ha sido construida desde la observación directa, el análisis comparado de experiencias nacionales e internacionales, y el ejercicio continuado de auditorías académicas internas a lo largo de los últimos años. En los distintos casos revisados, se constata que no existe una definición única ni un modelo obligatorio para su implementación: cada institución ha desarrollado enfoques propios, ajustados a sus estructuras, culturas organizacionales y prioridades estratégicas. A partir de ese escenario, este documento presenta una alternativa reflexiva y técnica sobre cómo diseñar, instalar y conducir auditorías académicas como un mecanismo esencial del aseguramiento interno de la calidad. Su foco está puesto en la verificación del cumplimiento institucional respecto de orientaciones internas y marcos externos, así como en la planificación de mejoras sistemáticas, tanto a nivel de procesos como de unidades académicas, en los distintos procesos misionales. El propósito es aportar una mirada concreta sobre cómo fortalecer, de manera periódica y estratégica, la responsabilidad institucional con la calidad.
Ana Henriquez Orrego
Directora de Auditorías Académicas UDLA
Mayo 2025
La integración de la inteligencia artificial generativa en los ecosistemas institucionales redefine no solo las metodologías de producción de contenido, sino también los marcos de validación, sistematización y aseguramiento de la calidad. En particular, en el ámbito de la educación superior, estas tecnologías emergentes abren un espectro de posibilidades para robustecer los sistemas internos de aseguramiento de la calidad y afrontar con mayor preparación los procesos de certificación y acreditación externa. Herramientas como ChatGPT, cuando son instrumentalizadas desde una lógica ética, estratégica y técnicamente fundada, pueden desempeñar funciones de apoyo avanzadas en tareas críticas como la elaboración estructurada de informes de autoevaluación, la integración de evidencias diversas, la articulación entre documentos normativos y planes de mejora, y la vigilancia de la coherencia entre el discurso institucional y la práctica efectiva.
Fundamentos éticos y riesgos emergentes
La incorporación de estas herramientas exige una comprensión profunda de los desafíos que implica su uso, considerando que su operatividad se basa en modelos estadísticos entrenados con datos que pueden contener sesgos, distorsiones o anacronismos. Estos modelos, por definición, no tienen conocimiento institucional ni comprensión de los marcos normativos que regulan los procesos de aseguramiento de la calidad. Por ello, su uso responsable requiere un compromiso explícito con principios como la trazabilidad, la supervisión humana efectiva, la validación contextual y la deliberación colegiada. No se trata de transitar hacia una delegación tecnológica, sino de consolidar un acompañamiento técnico que potencie el trabajo reflexivo y estratégico de los equipos humanos responsables.
Uno de los focos críticos recae en la identificación, gestión y control de los sesgos algorítmicos, las alucinaciones semánticas y los errores de precisión factual que pueden emanar de la IA generativa. La verosimilitud lingüística no garantiza veracidad institucional ni cumplimiento normativo. Todo insumo generado con apoyo de estas herramientas debe ser sometido a revisión rigurosa, triangulado con fuentes primarias verificadas y validado en instancias colectivas con competencias académicas, técnicas y normativas. Cualquier aproximación instrumental desprovista de esta rigurosidad puede comprometer la integridad documental, erosionar la confianza de los equipos evaluadores y poner en riesgo la coherencia institucional.
Marco institucional y gobernanza del uso de IA generativa
El desafío no es estrictamente tecnológico, sino epistemológico, organizacional y ético. La implementación institucional de estas herramientas debe estar sujeta a un diseño deliberado, enmarcado en marcos normativos internos aprobados por órganos colegiados, con protocolos que regulen su uso según el tipo de documento, nivel de confidencialidad, impacto estratégico y propósito evaluativo. Este uso regulado y reflexivo se convierte en una palanca para ampliar las capacidades institucionales sin diluir la responsabilidad humana. El control humano debe entenderse como un componente transversal del sistema de aseguramiento de la calidad, en interacción constante con los procesos de planificación, ejecución y evaluación.
Las tecnologías de IA generativa deben ser comprendidas como herramientas de apoyo que, correctamente empleadas, pueden facilitar la organización y procesamiento de información proveniente de diversas fuentes (entrevistas, focus groups, encuestas, bases de datos internas), pero cuya interpretación y síntesis deben permanecer bajo dominio humano. Esta articulación técnica y humana es especialmente relevante en procesos como el análisis de brechas, la identificación de nudos críticos, la formulación de planes de mejora o la redacción de informes para auditorías internas o acreditaciones externas. En estos casos, la IA no sustituye ni simplifica la toma de decisiones, sino que amplía las posibilidades de análisis, siempre que se resguarde la intencionalidad, la consistencia institucional y la ética del uso.
Acciones estratégicas recomendadas
Las instituciones de educación superior deben avanzar hacia el desarrollo de capacidades orientadas a la integración responsable de la IA generativa en los sistemas de calidad, con énfasis en las siguientes acciones estratégicas:
Delimitar explícitamente qué información puede ser procesada por IA, en qué condiciones y con qué resguardos metodológicos, éticos y normativos.
Construir y validar institucionalmente marcos de referencia para el uso ético de IA generativa, integrando principios de control humano, protección de datos, veracidad, rendición de cuentas y coherencia documental.
Establecer programas de formación continua y especializada para los equipos de aseguramiento de la calidad, académicos y administrativos, abordando tanto el potencial como las limitaciones de estas herramientas.
Insertar la IA en procesos deliberativos, diagnósticos y de gestión de información, como asistente técnico que colabora en el ordenamiento de datos, pero no en la toma de decisiones sustantivas.
Incorporar mecanismos de trazabilidad documental que permitan identificar cuándo y cómo fue utilizada la IA en la elaboración de documentos clave, garantizando transparencia frente a evaluadores internos y externos.
Evaluar periódicamente el impacto del uso de estas herramientas en los sistemas de calidad, mediante indicadores que midan tanto su utilidad operativa como su consistencia ética.
El uso de la inteligencia artificial generativa en contextos de aseguramiento de la calidad —tanto en sus dimensiones internas como en procesos de certificación o acreditación externa— debe entenderse como un fenómeno que exige gobernanza, no solo adopción tecnológica. La calidad institucional no se construye únicamente a través de evidencias bien redactadas, sino mediante procesos robustos, éticos y reflexivos, donde la tecnología cumple un rol instrumental subordinado al juicio profesional. Hacer de la IA generativa una herramienta útil y legítima implica establecer límites, criterios y formas de validación que la inserten como un recurso estratégico, pero nunca como una fuente autónoma de legitimidad institucional.
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
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
Hoy dejo a disposición la presentación utilizada en recientes jornadas de reflexión institucional sobre aseguramiento de la calidad. El material aborda cómo la inteligencia artificial generativa puede actuar como una herramienta de apoyo técnico en procesos de evaluación interna, auditorías académicas y mejora continua en educación superior.
Ana Henriquez Orrego en Jornada reflexión y análisis aseguramiento de Calidad, Carabineros de Chile, junio 2025Seguir leyendo →
La inteligencia artificial, aplicada con criterios éticos y responsabilidad institucional, puede ser una aliada estratégica en los procesos de auditoría académica interna. No reemplaza el juicio profesional, sino que potencia la capacidad de análisis, revisión y mejora de los equipos responsables del aseguramiento de la calidad. En contextos complejos, donde abundan documentos, fuentes diversas y resultados a interpretar, su uso puede contribuir significativamente a una gestión más articulada y reflexiva.
Sistematización colaborativa de evidencias institucionales: La IA permite organizar y clasificar documentos clave como estatutos, modelos educativos, planes estratégicos o reglamentos, apoyando la revisión crítica del cumplimiento de marcos normativos internos y externos.
Análisis cualitativo y cuantitativo con apoyo tecnológico: Herramientas de IA pueden ayudar a interpretar resultados de encuestas, entrevistas y focus group, identificando temas recurrentes, percepciones compartidas, disonancias y oportunidades de mejora desde múltiples perspectivas.
Asistencia en la redacción y estructuración de informes: La IA puede colaborar en la elaboración de borradores de informes de auditoría, organizando hallazgos, vinculando evidencias y mejorando la claridad argumentativa, siempre bajo validación profesional.
Seguimiento inteligente de planes de mejora: Es posible integrar IA para monitorear compromisos, acciones, responsables y plazos definidos en los planes de mejora, facilitando alertas internas, síntesis ejecutivas y visualización del avance.
Identificación de inconsistencias y alineamientos pendientes: A través del cruce entre documentos institucionales y evidencias de implementación, la IA puede aportar en la detección de desajustes entre lo declarado y lo ejecutado, orientando recomendaciones fundadas.
Organización de insumos provenientes de distintos actores: La IA colabora en el procesamiento y agrupamiento temático de aportes de estudiantes, académicos, egresados y empleadores, permitiendo integrar las voces recogidas en procesos participativos y fortalecer la evaluación institucional desde una mirada inclusiva y reflexiva.
Como todo instrumento, el uso de IA requiere resguardos. Puede incurrir en errores, reproducir sesgos presentes en los datos o generar respuestas verosímiles pero incorrectas (lo que se denomina “alucinaciones”). Por ello, es clave definir con precisión su función, verificar sus resultados y asegurar que cada análisis, conclusión y decisión mantenga el respaldo técnico, ético y colegiado que exige toda práctica de aseguramiento de la calidad en educación superior.
Inteligencia Artificial en Educación 