Marcos éticos de la IA y normativa de integridad académica

Introducción

La irrupción de la inteligencia artificial generativa en los entornos de educación superior ha desencadenado una transformación sin precedentes en las condiciones bajo las cuales se produce, evalúa y certifica el conocimiento académico. Desde la apertura de ChatGPT al público en noviembre de 2022, la disponibilidad masiva de herramientas capaces de generar lenguaje natural con coherencia y fluidez ha perturbado los supuestos sobre los que descansaban conceptos tan fundamentales como la autoría, la originalidad y la integridad académica (González-Videgaray et al., 2026; Perkins, 2023). Esta perturbación no es superficial ni transitoria: afecta la estructura misma de los procesos de enseñanza, aprendizaje y evaluación, así como los marcos normativos que las instituciones de educación superior han construido durante décadas para garantizar la honestidad en el trabajo académico.

Investigaciones recientes sobre el diseño de evaluaciones (Corbin et al., 2025) y sobre el papel de la ética en la resignificación de la integridad académica (Sabourin Laflamme & Bruneault, 2025; Gallent Torres et al., 2023) apuntan, de manera consistente, hacia la necesidad de transitar desde respuestas discursivas y reactivas hacia transformaciones estructurales en la normativa y en las prácticas institucionales. Esta transición exige, como condición previa, identificar con precisión qué elementos de los marcos éticos internacionales resultan pertinentes y traducibles al lenguaje y la lógica de la política universitaria institucional.

En el contexto latinoamericano, esta necesidad adquiere matices particulares. La ausencia de marcos regulatorios nacionales vinculantes sobre IA en países como México, a diferencia de lo observado en la Unión Europea con el AI Act (Parlamento Europeo y Consejo de la Unión Europea, 2024), transfiere a las propias instituciones de educación superior la responsabilidad de construir sus propias normativas, informadas por estándares internacionales pero adaptadas a sus contextos, misiones y culturas organizacionales. Iniciativas recientes como las recomendaciones del Grupo Académico de Inteligencia Artificial Generativa en Educación de la UNAM (GAIA-GEN, 2025) o la creación del Consejo Coordinador de Inteligencia Artificial de la UNAM (Lomelí Vanegas, 2026) ilustran que las IES mexicanas han comenzado a asumir este reto, si bien de manera incipiente y sin marcos metodológicos consolidados que orienten el proceso de actualización normativa.

Es en este cruce entre la urgencia institucional y el vacío metodológico donde se inscribe la presente investigación. El estudio tiene como objetivo examinar cómo los principios éticos y marcos orientadores internacionales sobre inteligencia artificial pueden traducirse en criterios institucionales de integridad académica para su uso en docencia e investigación, mediante un análisis documental comparativo, que pone en diálogo los principales marcos éticos internacionales sobre IA con la literatura académica especializada en integridad académica y con los lineamientos institucionales disponibles en el contexto latinoamericano e iberoamericano. El ejercicio comparativo identifica convergencias, tensiones y vacíos entre los principios internacionales y las realidades normativas institucionales, con miras a proponer criterios operativos para la actualización normativa en IES latinoamericanas que gobiernan la IAG sin referentes regulatorios nacionales vinculantes.

Metodología

Enfoque y tipo de investigación

La presente investigación es de carácter cualitativo, con un diseño descriptivo-propositivo sustentado en el análisis documental comparativo como método central. El análisis documental, entendido como el proceso sistemático de localización, valoración, síntesis y recuperación de documentos con el propósito de obtener información que permita dar respuesta a una pregunta de investigación (Bowen, 2009; Mogalakwe, 2006), constituye el procedimiento metodológico que articula todas las fases del estudio. La unidad de análisis está conformada por el conjunto de documentos —marcos normativos internacionales, literatura académica especializada y lineamientos institucionales— que integran el corpus documental construido durante el proceso de investigación.

Una característica distintiva de este trabajo es que la investigación documental fue llevada a cabo con el apoyo de Claude, modelo de inteligencia artificial generativa desarrollado por Anthropic, en su versión Sonnet 4.6. Claude actuó como asistente de investigación documental a lo largo de todas las fases del proceso: localización de fuentes, verificación de referencias, organización y clasificación del corpus, extracción y análisis de contenido de los documentos. Esta decisión metodológica es coherente con el objeto mismo de la investigación —el uso de la IAG en contextos académicos—, y se asume con plena transparencia, conforme a los principios de declaración explícita del uso de herramientas de IAG que los marcos normativos e institucionales analizados en el presente estudio propugnan (ICMJE, 2024; COPE, 2023; Tecnológico de Monterrey, s.f.-b). La responsabilidad intelectual sobre los contenidos, los criterios analíticos y las decisiones de inclusión y exclusión del corpus recae en los investigadores, quienes orientaron, supervisaron, validaron y aprobaron cada fase del proceso.

Fases del proceso de investigación documental

Fase 1. Definición del objeto de investigación y parámetros iniciales de búsqueda.

El proceso de investigación inició con la formulación del objetivo general y la pregunta de investigación por parte de los investigadores, quienes establecieron los ejes temáticos que delimitaron la búsqueda documental: marcos éticos internacionales sobre IA, instrumentos de integridad académica, literatura académica sobre el impacto de la IAG en la integridad, normativa institucional en el contexto latinoamericano e iberoamericano, y metodología de análisis documental comparativo. A partir de estos ejes se definieron cinco categorías analíticas que estructurarían el mapa bibliográfico de la investigación.

La búsqueda documental se orientó mediante los siguientes parámetros generales: periodo de publicación preferente comprendido entre 2021 y 2026, con la posibilidad de incluir fuentes anteriores de carácter fundacional; idiomas español e inglés; tipología documental amplia que incluyera artículos de investigación empírica, artículos de revisión, propuestas teóricas, marcos normativos de organismos multilaterales, documentos de política institucional y guías universitarias; y preferencia por fuentes indexadas en bases de datos académicas de alto impacto —Scopus, Web of Science, ERIC, Redalyc— o publicadas por organismos internacionales de reconocida autoridad. Se consideraron publicaciones de acceso abierto.

Fase 2. Corpus inicial: documentos aportados por los investigadores.

Los investigadores aportaron directamente un conjunto de documentos primarios que constituyeron el núcleo del corpus institucional del caso de estudio y el referente empírico de partida. El documento incorporado en esta fase fue el artículo de González-Videgaray et al. (2026), publicado en la revista Figuras de la UNAM FES Acatlán, que actuó como fuente de revisión de estado del arte por tratarse de la revisión narrativa de literatura más reciente y comprehensiva disponible en español sobre integridad académica, plagio e IAG. En una segunda etapa, los investigadores aportaron adicionalmente cuatro documentos institucionales: el Acuerdo de creación del CCOIA-UNAM (Lomelí Vanegas, 2026), las Recomendaciones para el uso de la IA en la Universidad de Granada (UGR, 2024), los Lineamientos para el uso de inteligencia artificial para profesores del Tecnológico de Monterrey (s.f.-b) y la Guía rápida de lineamientos para el uso ético de IA del Tecnológico de Monterrey (s.f.-a). Los documentos en formato PDF fueron sometidos a extracción de texto y lectura de contenido mediante las herramientas de procesamiento documental integradas al flujo de trabajo con Claude; los documentos encriptados —como el Manual de Integridad Académica— fueron procesados para recuperar su contenido.

Fase 3. Búsqueda sistemática de fuentes — Primera etapa.

Con base en los ejes temáticos y los parámetros definidos, Claude realizó búsquedas activas en la web y en repositorios de acceso abierto para identificar las fuentes académicas e institucionales más relevantes para cada categoría del mapa bibliográfico. La estrategia de búsqueda combinó términos en español e inglés según la categoría, combinando términos en español e inglés adaptados a cada eje temático.

Para cada fuente localizada se verificó la existencia y accesibilidad del DOI o URL, se identificaron el tipo de documento, la institución o publicación de origen, el año de publicación y el idioma. Esta fase produjo una primera versión del mapa bibliográfico con un total de 31 fuentes organizadas en seis categorías.

Fase 4. Decisiones de alcance y ajuste del corpus.

Durante el proceso de investigación, los investigadores tomaron un conjunto de decisiones de alcance que fueron integradas al corpus de manera inmediata. Como criterio general de exclusión se aplicaron los siguientes principios: fuentes sin DOI ni URL verificable, fuentes de divulgación sin evidencia de proceso editorial o arbitraje, documentos cuyo contenido no guardaba relación directa con los ejes temáticos definidos, y fuentes duplicadas o subsumidas en trabajos de revisión ya incluidos en el corpus.

Fase 5. Segunda etapa de búsqueda: profundización temática.

Se llevó a cabo una segunda fase de búsqueda documental focalizada, los parámetros específicos de esta fase incluyeron: artículos sobre la reconfiguración de los conceptos de autoría, originalidad y plagio ante la IAG; investigaciones empíricas sobre la detección de trabajo generado por IA en evaluaciones académicas; propuestas de marcos y modelos para la gobernanza institucional de la IAG en educación superior; estándares editoriales internacionales sobre autoría y declaración de uso de IA en publicaciones científicas; y normativas universitarias comparadas de IES que hubieran actualizado formalmente sus políticas de integridad para incluir la IAG.

Esta fase incorporó 16 fuentes nuevas al corpus: 9 en la Categoría 3 (literatura académica clave) y 7 en la Categoría 4 (contexto latinoamericano e iberoamericano), elevando el total del mapa bibliográfico a 44 fuentes distribuidas en cinco categorías. Entre las fuentes incorporadas en esta fase se encuentran trabajos de alto impacto como el de Kofinas et al. (2025), publicado en el British Journal of Educational Technology, y el de Corbin et al. (2025) en Assessment & Evaluation in Higher Education, así como los estándares normativos de COPE (2023) e ICMJE (2024) sobre autoría y herramientas de IA en publicaciones científicas.

Fase 6. Validación, verificación y señalización de pendientes

Concluidas las dos fases de búsqueda, se procedió a la validación del corpus mediante la verificación de los DOIs y URLs de cada fuente. Procedimiento de análisis documental. El análisis de los documentos del corpus se desarrolló en paralelo con la construcción del mapa bibliográfico, siguiendo un procedimiento de lectura crítica orientada por las categorías analíticas predefinidas y por las preguntas de investigación. Para cada categoría se identificaron las convergencias y divergencias entre las fuentes, los vacíos o tensiones no resueltos en la literatura, y los elementos más directamente aplicables a la propuesta de actualización normativa institucional que constituye el producto esperado de la investigación.

Cada apartado fue revisado, validado y aprobado por los investigadores antes de su incorporación al artículo.

Consideraciones éticas sobre el uso de la IAG en la investigación.

El uso de Claude como asistente de investigación documental en este estudio se declara de manera explícita y transparente en cumplimiento de los principios de integridad académica que el propio artículo examina. Conforme a los estándares del Committee on Publication Ethics (COPE, 2023) y del International Committee of Medical Journal Editors (ICMJE, 2024), Claude no figura como autor del artículo, dado que no puede asumir responsabilidad sobre la exactitud, integridad y originalidad del trabajo, ni gestionar conflictos de interés o suscribir acuerdos de derechos de autor. La autoría intelectual, la responsabilidad sobre las decisiones analíticas y la validación de todos los contenidos corresponden en exclusiva a la investigadora. La IAG fue utilizada, en términos del marco propuesto por Hammond et al. (2023), como asistente situado dentro de un proceso de aprendizaje y producción mediado reflexivamente, no como sustituto del trabajo intelectual de la investigadora.

Resultados

Los marcos éticos internacionales sobre inteligencia artificial: estado actual y pertinencia para la educación superior.

La producción de marcos éticos y regulatorios sobre inteligencia artificial ha experimentado, en el periodo 2019-2024, una aceleración sin precedentes en la historia reciente de la gobernanza tecnológica global. Comprender el estado actual de estos marcos —sus alcances, sus convergencias, sus tensiones internas y sus limitaciones— resulta indispensable para cualquier análisis que aspire a traducirlos en criterios operativos de integridad académica a nivel institucional.

El punto de inflexión inicial de este proceso normativo puede situarse en 2019, cuando la Organización para la Cooperación y el Desarrollo Económicos (OCDE) adoptó la primera recomendación intergubernamental sobre inteligencia artificial, estableciendo cinco principios complementarios orientados a una IA responsable y confiable: el beneficio inclusivo para personas y el planeta, el respeto al estado de derecho y los derechos humanos, la transparencia y la explicabilidad, la robustez y la seguridad, y la rendición de cuentas (OCDE, 2024). Ese mismo año, el Grupo de Expertos de Alto Nivel en Inteligencia Artificial de la Unión Europea (HLEG, 2019) publicó sus directrices éticas para una IA fiable, articuladas en torno a siete requisitos operativos que condensaban las preocupaciones éticas centrales del momento: la supervisión y control humano, la robustez técnica, la privacidad y gobernanza de datos, la transparencia, la diversidad y no discriminación, el bienestar social y medioambiental, y la rendición de cuentas.

El año 2021 marcó un hito de escala global con la adopción por parte de los 193 Estados Miembros de la UNESCO de la Recomendación sobre la ética de la inteligencia artificial, calificada como el primer instrumento normativo mundial en la materia (UNESCO, 2021). Su relevancia no radica únicamente en el consenso político que representa, sino en la arquitectura conceptual que propone: diez principios articulados en torno a cuatro valores fundacionales —los derechos humanos y la dignidad, las sociedades pacíficas e interconectadas, la diversidad y la inclusión, y el florecimiento del medio ambiente y los ecosistemas—, complementados por once áreas de acción política que permiten a los Estados Miembros traducir los principios en políticas sectoriales concretas. Entre estas áreas figura explícitamente la de educación e investigación, en la que la UNESCO exhorta a integrar la ética de la IA en los currículos universitarios, a capacitar a docentes e investigadores, y a desarrollar marcos normativos institucionales coherentes con los valores proclamados (UNESCO, 2021).

La Recomendación de la UNESCO tiene, no obstante, una limitación inherente que es preciso reconocer con honestidad analítica: su carácter no vinculante. Como instrumento de soft ldaw, su eficacia depende de la voluntad política de los Estados para trasladar sus preceptos a legislaciones nacionales y políticas institucionales, un proceso que avanza de manera desigual y frecuentemente lenta. Esta tensión entre la universalidad declarada del consenso y la particularidad diferenciada de su implementación constituye uno de los desafíos estructurales del campo de la ética de la IA (UNESCO, 2021).

Consciente de esta limitación, la comunidad internacional ha avanzado progresivamente hacia instrumentos de mayor fuerza normativa. La revisión de los Principios de la OCDE en mayo de 2024 —la segunda actualización en cinco años, precedida por una modificación técnica en noviembre de 2023— refleja la urgencia de adaptar los marcos existentes al ritmo acelerado del desarrollo tecnológico, particularmente ante la irrupción de la IA generativa y los modelos de propósito general (OCDE, 2024). La revisión de 2024 incorporó elementos que los principios originales no anticipaban: mecanismos explícitos de seguridad para sistemas de IA que exhiban comportamientos no deseados o que puedan causar daños indebidos; la integridad de la información como principio autónomo, en reconocimiento del riesgo específico de desinformación que plantea la IA generativa; y el énfasis en una conducta empresarial responsable a lo largo del ciclo de vida completo de los sistemas de IA (OCDE, 2024). Esta actualización resulta especialmente relevante para el análisis de la integridad académica, por cuanto vincula explícitamente la generación de contenidos mediante IA con la obligación de transparencia y la protección de la veracidad informacional, dimensiones directamente implicadas en el uso académico de herramientas generativas.

El salto cualitativo más significativo del periodo en materia regulatoria corresponde, sin embargo, a dos instrumentos adoptados en 2024: el Reglamento de Inteligencia Artificial de la Unión Europea y el Convenio Marco del Consejo de Europa. El Reglamento (UE) 2024/1689, conocido internacionalmente como EU AI Act, representa la primera regulación jurídicamente vinculante y comprehensiva sobre IA a nivel mundial, sustentada en un enfoque de riesgo que clasifica las aplicaciones de IA en cuatro categorías, riesgo inaceptable, alto riesgo, riesgo limitado y riesgo mínimo, con obligaciones proporcionales a la severidad del riesgo identificado (Parlamento Europeo y Consejo de la Unión Europea, 2024). Para la educación superior, su impacto es inmediato y estructural: los sistemas de IA utilizados para evaluar resultados de aprendizaje, determinar el acceso a la educación o monitorear conductas durante evaluaciones son clasificados como de alto riesgo, lo que implica requisitos estrictos de supervisión humana, gobernanza de datos, transparencia y rendición de cuentas. Adicionalmente, el AI Act establece obligaciones de alfabetización en IA que ya entraron en vigor en febrero de 2025 y que afectan a todos los proveedores y usuarios de sistemas de IA en instituciones que operen dentro del espacio europeo (Parlamento Europeo y Consejo de la Unión Europea, 2024).

El Convenio Marco del Consejo de Europa sobre Inteligencia Artificial y Derechos Humanos, Democracia y Estado de Derecho, abierto a firma el 5 de septiembre de 2024 en Vilna, constituye el primer tratado internacional jurídicamente vinculante en materia de IA (Consejo de Europa, 2024). Su particularidad más relevante para el contexto de esta investigación es su apertura a la adhesión de Estados no miembros del Consejo de Europa, entre los que se encuentra México, que participó activamente en el proceso de elaboración del texto. El Convenio exige que las actividades dentro del ciclo de vida de los sistemas de IA sean plenamente consistentes con los derechos humanos, la democracia y el estado de derecho, y establece siete principios operativos (transparencia, responsabilidad, no discriminación, supervisión humana, seguridad, protección de datos e integridad de la información) que los Estados parte deben implementar mediante medidas legislativas, administrativas u otras disposiciones apropiadas (Consejo de Europa, 2024). A diferencia de los marcos anteriores, el Convenio Marco incorpora mecanismos de seguimiento y de denuncia, lo que le confiere una eficacia jurídica cualitativamente superior a la de los instrumentos de soft law que lo precedieron.

Un análisis transversal de los seis marcos considerados permite identificar un conjunto de principios que emergen con carácter recurrente y que pueden considerarse el núcleo ético compartido de la gobernanza internacional de la IA. La transparencia y la explicabilidad de los sistemas de IA, entendidas como la obligación de que los actores involucrados puedan comprender cómo y por qué un sistema produce determinados resultados, aparecen en todos los instrumentos analizados, aunque con distintos grados de operacionalización (HLEG, 2019; UNESCO, 2021; OCDE, 2024; Parlamento Europeo y Consejo de la

Unión Europea, 2024; Consejo de Europa, 2024). La supervisión humana, como contrapeso a la autonomía de los sistemas de IA y como garantía de la responsabilidad última de las personas en los procesos de toma de decisiones, es igualmente transversal. La no discriminación y la equidad en el acceso a los beneficios de la IA, la protección de la privacidad y los datos personales, y la rendición de cuentas por parte de quienes desarrollan, despliegan y utilizan sistemas de IA completan el conjunto de valores sobre los que existe consenso internacional documentado.

Esta convergencia axiológica es significativa desde el punto de vista analítico, porque sugiere que, más allá de las diferencias de alcance jurídico y de los distintos énfasis sectoriales de cada instrumento, existe una gramática ética compartida sobre la que pueden construirse criterios institucionales coherentes. Sin embargo, la convergencia en los principios no debe confundirse con la homogeneidad en la implementación. La traducción de nociones como “transparencia” o “supervisión humana” a lineamientos concretos para el uso de herramientas de IAG en trabajos académicos, en procesos de evaluación o en actividades de investigación implica decisiones de diseño normativo que los marcos internacionales, por su naturaleza general, no pueden resolver. Esta brecha entre el principio y la política es, precisamente, el terreno en el que se inscribe el presente estudio.

Una tensión analítica igualmente relevante concierne a la diversidad de naturaleza jurídica de los instrumentos: se confrontan en el campo de la gobernanza de la IA documentos sin fuerza vinculante (UNESCO, 2021; OCDE, 2024; HLEG, 2019) con regulaciones de obligado cumplimiento (Parlamento Europeo y Consejo de la Unión Europea, 2024; Consejo de Europa, 2024), lo que produce una arquitectura normativa asimétrica en la que los Estados y las instituciones que operan en distintas jurisdicciones reciben señales regulatorias de intensidad muy diferente. Para las instituciones de educación superior latinoamericanas, que en su mayoría no están sujetas a ninguno de los instrumentos vinculantes mencionados, esta asimetría implica una doble paradoja: disponen de orientación ética abundante, pero carecen de obligación jurídica de seguirla, y al mismo tiempo enfrentan la presión social e institucional de responder a una tecnología que avanza a una velocidad que ningún marco normativo puede seguir con plenitud.

Dentro del conjunto de marcos analizados, la Guía para el uso de IA generativa en educación e investigación, publicada por la UNESCO en 2023, ocupa un lugar singular. A diferencia de los demás instrumentos, orientados a la gobernanza general de la IA, este documento se dirige específicamente a las comunidades educativas y científicas, reconociendo que la irrupción de herramientas como ChatGPT en los entornos académicos genera desafíos que los marcos éticos generales no contemplan con suficiente precisión (UNESCO, 2023). La guía advierte sobre riesgos específicos del uso de IAG en contextos educativos, la generación de contenidos con sesgos, las implicaciones para la privacidad de datos de estudiantes, el riesgo de dependencia tecnológica y, de manera explícita, las tensiones que estas herramientas introducen en los conceptos de autoría e integridad académica, y recomienda que las instituciones regulen el uso de la IAG antes de su implementación generalizada, en lugar de adoptar una postura reactiva frente a hechos consumados (UNESCO, 2023).

El estado actual del corpus normativo internacional sobre ética de la IA puede sintetizarse en tres observaciones analíticas de fondo. En primer lugar, el campo ha alcanzado un nivel de madurez axiológica suficiente: existe un conjunto de principios compartidos, reconocidos por los principales organismos multilaterales, que proveen una base sólida para orientar la gobernanza institucional de la IA. En segundo lugar, la madurez axiológica no se ha traducido en equivalente madurez operativa: la distancia entre los principios declarados y los criterios institucionales aplicables sigue siendo considerable, y los mecanismos de implementación disponibles son, en general, más débiles que los de formulación. En tercer lugar, el espacio de la educación superior y, dentro de él, el de la integridad académica, permanece insuficientemente atendido por los marcos internacionales: con la excepción parcial de la Guía de la UNESCO de 2023, los instrumentos analizados no proporcionan orientación suficientemente granular para que las instituciones educativas puedan derivar de ellos políticas de integridad académica operativas y contextualmente pertinentes.

Es precisamente en esta confluencia de madurez axiológica e insuficiencia operativa donde la presente investigación encuentra su justificación y su contribución al campo de la política educativa y la gobernanza universitaria de la IA.

Marcos e instrumentos de integridad académica: fundamentos, evolución y tensiones ante la inteligencia artificial generativa.

La integridad académica no constituye un concepto unívoco ni estático. Su definición, sus alcances y los mecanismos institucionales diseñados para salvaguardarla han evolucionado de manera significativa a lo largo de las últimas décadas, en respuesta tanto a las transformaciones tecnológicas del entorno educativo como a la creciente complejidad de las prácticas de producción del conocimiento en la educación superior. Comprender esta evolución, y las tensiones que la atraviesan, resulta indispensable para evaluar la capacidad de los marcos e instrumentos existentes de responder a los desafíos que plantea la inteligencia artificial generativa, y para determinar en qué medida dichos marcos requieren actualización, ampliación o reformulación.

El punto de referencia más extendido en la literatura especializada es la definición propuesta por la Red Europea de Integridad Académica (ENAI, 2022), que concibe la integridad académica como “el cumplimiento de principios éticos y profesionales, estándares y prácticas, así como sistemas consistentes de valores, que sirven como guía para tomar decisiones y acciones en educación, investigación y academia”. Esta formulación tiene el mérito de desplazar la integridad académica desde el ámbito exclusivo de la conducta individual, con su tendencia a reducir el concepto a la prohibición del plagio, hacia el terreno más amplio de los valores institucionales compartidos y de la cultura organizacional. En este sentido, la integridad académica no es solo una obligación personal del estudiante o del investigador, sino una condición sistémica que las instituciones tienen el deber de cultivar, comunicar y proteger.

El ICAI (2021) ha sido, la fuente más citada en la literatura académica sobre integridad en las dos últimas décadas, y su marco de valores ha sido adoptado por instituciones de educación superior en contextos geográficos y culturales muy diversos. Esta extensión de influencia, sin embargo, no debe interpretarse como uniformidad en la implementación: como señalan Morales Montes y Lujano Vilchis (2021) en su análisis de la normatividad de las universidades públicas mexicanas, la apropiación institucional de los valores de integridad académica es frecuentemente selectiva y superficial. Su investigación documenta que, si bien los tres valores más recurrentes en los códigos de ética de las IES mexicanas son la responsabilidad, el respeto y la honestidad, alineados en parte con el marco del ICAI, el tratamiento que dichos documentos hacen de estos valores tiende a ser declarativo antes que operativo, sin traducirse en mecanismos concretos de formación, detección o acompañamiento. Esta brecha entre la enunciación de valores y su implementación efectiva es, en sí misma, un hallazgo estructural que anticipa uno de los problemas centrales que la presente investigación busca atender.

Uno de los elementos más reveladores del análisis comparativo de los marcos de integridad académica es la diversidad de definiciones operativas que coexisten en la literatura especializada y en los documentos institucionales. Mientras que la definición del ENAI (2022) privilegia una perspectiva sistémica y orientada a valores, otras aproximaciones enfatizan la dimensión conductual y regulatoria del concepto. Esta pluralidad conceptual no es un defecto del campo: refleja la naturaleza genuinamente multidimensional de la integridad académica, que articula simultáneamente dimensiones éticas, pedagógicas, jurídicas e institucionales. Sin embargo, la coexistencia de definiciones divergentes puede generar ambigüedades significativas en el momento de traducir los principios a políticas institucionales operativas.

En este sentido, el Second Handbook of Academic Integrity, editado por Eaton (2024) como actualización comprehensiva del estado del campo, constituye el referente más completo y sistemático disponible para mapear la diversidad de perspectivas sobre la integridad académica en la actualidad. La obra recoge contribuciones de investigadores de múltiples tradiciones disciplinarias y contextos nacionales, y dedica secciones específicas a los desafíos que introduce la IAG, al diseño de políticas institucionales y a las perspectivas comparadas internacionales. Su relevancia para el presente análisis reside no solo en la amplitud de su cobertura temática, sino en que ilustra, a través de la variedad de sus capítulos, que no existe una respuesta universalmente válida a la pregunta de cómo deben las instituciones de educación superior gobernar la integridad académica: las soluciones dependen del contexto normativo, de la cultura institucional y de los recursos disponibles (Eaton, 2024).

Esta observación conecta directamente con el trabajo de Moya y Eaton (2024), cuyo análisis de las políticas de integridad académica en universidades chilenas ofrece uno de los pocos ejercicios sistemáticos de análisis comparativo de documentos normativos institucionales en el contexto latinoamericano. Las autoras identifican divergencias significativas entre los principios de integridad académica reconocidos a nivel internacional y los contenidos efectivos de las políticas universitarias chilenas, y derivan de ese análisis doce recomendaciones estructuradas para los formuladores de políticas institucionales. Entre sus hallazgos más relevantes se encuentra la constatación de que la mayoría de las políticas analizadas se centran en la prohibición y la sanción del plagio, prestando escasa atención a la formación proactiva en integridad académica, a la declaración explícita de los valores que sustentan la política, o a los mecanismos de actualización normativa ante nuevos contextos tecnológicos (Moya & Eaton, 2024). Este patrón, identificado en el sistema universitario chileno, guarda consistencia con lo documentado por Morales Montes y Lujano Vilchis (2021) en el caso mexicano, lo que sugiere que se trata de una tendencia regional y no de una particularidad nacional.

Morales Montes y Lujano Vilchis (2021) documentan que el respeto a los derechos de autor es el segundo tema más recurrente en los códigos de ética de las IES mexicanas, aunque su tratamiento es frecuentemente nominal: los reglamentos identifican la deshonestidad como falta sancionable, pero rara vez precisan qué conductas la constituyen ni ofrecen mecanismos formativos para prevenirla (Morales Montes y Lujano Vilchis, 2021).

Esta situación previa a la irrupción masiva de la IAG adquiere una dimensión crítica en el escenario actual: los marcos vigentes están estructuralmente mal equipados para gobernar herramientas que difuminan las fronteras entre autoría humana y producción automatizada.

Uno de los desplazamientos conceptuales más significativos que documenta la literatura reciente, y que el Second Handbook of Academic Integrity (Eaton, 2024) recoge con especial claridad, es la transición desde una concepción de la integridad académica centrada en la detección y sanción del plagio hacia una concepción más amplia que la entiende como competencia ética a desarrollar y como valor institucional a cultivar. Este desplazamiento tiene implicaciones de fondo para el diseño de políticas universitarias: implica que la respuesta institucional adecuada no es únicamente regulatoria, establecer qué está prohibido y qué consecuencias acarrea su transgresión, sino fundamentalmente formativa: construir en los miembros de la comunidad académica la comprensión, los valores y las habilidades necesarios para actuar con integridad en contextos de creciente complejidad tecnológica.

Esta reorientación conceptual resulta especialmente pertinente en el momento actual, porque el uso de la IAG en contextos académicos introduce formas de deshonestidad que el concepto tradicional de plagio no captura con precisión. Como señala Moya y Eaton (2024), las categorías normativas disponibles en la mayoría de los reglamentos institucionales fueron diseñadas para una realidad en la que el trabajo académico era producido exclusivamente por seres humanos, y su lógica binaria, plagio o no plagio, propio o ajeno, no es suficientemente granular para dar cuenta de situaciones en las que la IAG actúa como mediadora, asistente, co-generadora o sustituta del trabajo intelectual del autor declarado. Esta insuficiencia conceptual es, en sí misma, un vacío normativo que los marcos de integridad académica vigentes deben resolver, y que los instrumentos éticos internacionales sobre IA analizados en la sección anterior no resuelven por sí solos.

La articulación entre los marcos éticos de la IA, que demandan transparencia, supervisión humana y responsabilidad (UNESCO, 2021; OCDE, 2024; Consejo de Europa, 2024), y los valores cardinales de la integridad académica: honestidad, responsabilidad, valentía (ICAI, 2021), en criterios institucionales operativos es, precisamente, la tarea que el presente estudio emprende.

La influencia del ICAI (2021) y la cobertura del Second Handbook (Eaton, 2024) proveen un andamiaje conceptual sólido sobre el que construir respuestas informadas a los desafíos actuales.

En términos de vacíos, la literatura especializada evidencia una brecha persistente entre el desarrollo conceptual del campo y su traducción en políticas institucionales efectivas, especialmente en el contexto latinoamericano (Morales Montes y Lujano Vilchis, 2021; Moya & Eaton, 2024). Esta brecha se profundiza ante la IAG, porque la velocidad del cambio tecnológico supera la capacidad de respuesta de los ciclos normativos institucionales, que tienden a ser lentos y a requerir procesos de consulta y legitimación que la urgencia del momento hace difíciles de sostener sin sacrificar rigor o inclusión.

En términos de desafíos, el campo enfrenta la necesidad de reformular sus categorías conceptuales centrales, autoría, originalidad, plagio, trabajo propio, para dar cuenta de una realidad en la que la frontera entre producción humana y producción automatizada es, en muchos contextos, imposible de trazar con certeza. Esta reformulación no es únicamente un ejercicio académico: tiene consecuencias directas sobre los derechos y las responsabilidades de estudiantes, docentes e investigadores, y sobre la legitimidad de las instituciones de educación superior para evaluar, certificar y garantizar la calidad del conocimiento que producen y validan. Enfrentar este desafío con la seriedad que merece exige, entre otras cosas, poner en diálogo sistemático los avances del campo de la integridad académica con los marcos éticos internacionales sobre IA que la sección anterior ha analizado: una tarea que el presente estudio asume como su contribución central.

Literatura académica clave: resignificación de la integridad académica en la era de la Inteligencia Artificial Generativa (IAG).

La aparición masiva de herramientas de inteligencia artificial generativa (IAG) en los entornos educativos ha generado un volumen creciente de producción académica que busca comprender, clasificar y responder a los efectos de estas tecnologías sobre la integridad académica. La literatura especializada del periodo 2023-2025 muestra, sin embargo, que no existe un consenso uniforme sobre la naturaleza de dichos efectos ni sobre las estrategias más adecuadas para gestionarlos. Por el contrario, se identifican posiciones divergentes que van desde la alarma ante el incremento del fraude académico hasta la propuesta de reencuadres conceptuales que invitan a reformular los fundamentos mismos de la integridad como práctica educativa. La presente sección analiza y contrasta las aportaciones de la literatura más relevante sobre esta resignificación, organizando el análisis en torno a cuatro ejes: la perturbación conceptual que introduce la IAG, los marcos propositivos de respuesta, las limitaciones de los enfoques vigentes y la emergencia de nuevas categorías éticas para la gobernanza institucional.

La perturbación conceptual: ¿qué cambia con la IAG?.

El punto de partida de la discusión académica reciente es la constatación de que la IAG no representa únicamente un nuevo instrumento para cometer plagio, sino una perturbación de mayor calado que cuestiona los supuestos sobre los que descansaban los conceptos de autoría, originalidad y trabajo propio. González-Videgaray et al. (2026), en su revisión narrativa de 149 documentos Scopus del periodo 2021-2024, identifican que la irrupción de ChatGPT en noviembre de 2022 generó un vacío conceptual en torno a la definición de plagio, al introducir formas de producción textual que no encajan con ninguna de las categorías clásicas de deshonestidad académica. Esta observación ha dado lugar a propuestas de clasificación que amplían el repertorio conceptual disponible: los autores proponen cinco tipos de definición del plagio: clásica, pedagógica, regulatoria, digital y desde la perspectiva de la agencia, siendo esta última particularmente relevante ante la IAG, pues centra el análisis no en la procedencia del texto sino en si el producto académico entregado refleja el esfuerzo intelectual genuino de su autor declarado.

Esta reorientación desde el texto hacia el esfuerzo y la agencia del sujeto es también el núcleo de la propuesta de Perkins (2023), quien define el plagio como “representar incorrectamente el esfuerzo llevado a cabo por el autor de un documento escrito” (p. 8). Esta definición, deliberadamente amplia, permite incluir el uso no declarado de IAG como una forma de deshonestidad académica sin necesidad de demostrar copia textual —criterio que los detectores automatizados utilizaban como evidencia principal—, al tiempo que deja abierta la posibilidad de que el uso transparente y metodológicamente declarado de estas herramientas no constituya una violación de la integridad. Esta tensión entre el uso transparente como práctica legítima y el uso encubierto como fraude es, precisamente, una de las líneas de debate más activas en la literatura.

En contraste, Cotton et al. (2024) adoptan una postura más escéptica frente a la posibilidad de integrar la IAG en los procesos evaluativos sin afectar la integridad académica, al punto de sugerir que el ensayo como instrumento de evaluación podría haber quedado obsoleto en un entorno donde las herramientas generativas pueden producir textos argumentativos coherentes en cuestión de segundos. Esta posición ha encontrado respaldo empírico en el trabajo de Kofinas et al. (2025), quienes demostraron experimentalmente, en dos universidades del Reino Unido, que académicos con experiencia no lograron distinguir con fiabilidad los trabajos generados o modificados por IAG de los trabajos auténticos de los estudiantes, incluso cuando las evaluaciones habían sido diseñadas con criterios de autenticidad (experiencia personal, casos reales, proyectos situados) que en teoría las harían resistentes al fraude asistido. La precisión de detección entre los pares de evaluadores osciló entre el 33 y el 85.7%, con tasas significativas de falsos positivos y falsos negativos, lo que implica que estudiantes honestos fueron penalizados y trabajos fraudulentos fueron aprobados de manera sistemática.

Marcos de discurso: entre la transacción y la transformación.

Uno de los marcos conceptuales de mayor influencia en la literatura reciente es el propuesto por Hammond et al. (2023), cuyo análisis crítico del discurso en torno a herramientas de parafraseo automatizado introduce la metáfora del lobo, la oveja y el pastor para clasificar las posiciones en pugna sobre el uso académico de la IAG. En este esquema, el lobo representa la visión transaccional de la educación, aquella en la que la IAG es aprovechada como atajo para eludir el esfuerzo intelectual, la oveja representa el uso aparentemente legítimo de la herramienta como asistente dentro de la Zona de Desarrollo Próximo propuesta por Vygotsky, y el pastor encarna al educador que promueve la transformación cognitiva a través del compromiso reflexivo con las propuestas de la IAG. La aportación central de este marco, retomada y ampliada por González-Videgaray et al. (2026), es que el plagio no se produce por el mero uso de la IAG sino cuando el estudiante disocia su relación cognitiva con el texto y subcontrata el trabajo intelectual como producto terminado, sin mediación reflexiva.

Esta distinción entre uso mediado reflexivamente y uso como sustitución del pensamiento es también la base de la propuesta de Hau (2025), quien recurre a la función de autor de Foucault y a la crítica de Barthes para argumentar que el surgimiento de la IAG ha expuesto las tensiones constitutivas del concepto de autoría en la academia. Hau propone el denominado “modelo tapas” de evaluación, que combina tres modalidades: trabajo humano puro, uso acotado de IAG y plena integración de la herramienta, como respuesta al agotamiento de la lógica binaria detección-trampa. En la misma línea, Velez y Rister (2025), en su análisis de cien políticas universitarias sobre IA, concluyen que la mayoría de las instituciones de educación superior sigue privilegiando nociones estrechas de autoría individual que no reflejan las realidades del trabajo profesional ni las posibilidades pedagógicas de la colaboración humano-máquina, creando una disonancia entre lo que se exige en el aula y lo que se practica en los entornos laborales hacia los cuales se forman los estudiantes.

Estrategias de respuesta: modelos, marcos y sus contrastes (limitaciones de los enfoques vigentes).

La literatura del periodo analizado ha producido un conjunto notable de modelos y marcos propositivos orientados a gestionar el uso de la IAG en los procesos académicos sin sacrificar la integridad. Estos modelos difieren, sin embargo, en sus supuestos de partida, en su nivel de operacionalización y en el tipo de institución al que están dirigidos.

Asamoah et al. (2024) proponen el marco DEQ —Conocimiento disciplinar (Domain Knowledge), Perspicacia ética (Ethical Acumen) y Capacidad de hacer preguntas (Query Capabilities)— como un esquema tridimensional para evaluar el uso ético de la IAG en contextos educativos y de producción del conocimiento. Su propuesta parte de la premisa de que el uso responsable de la IAG no depende de la prohibición sino del desarrollo de competencias específicas que permitan al usuario interactuar críticamente con los sistemas generativos. En contraste, Shanto et al. (2023) focalizan su propuesta en el nivel de la evaluación específica, con el modelo PAIGE, orientado a promover la integridad en las tareas o actividades con IAG en educación superior, que establece criterios operativos para definir qué tipos de apoyo de la IAG son aceptables en cada tipo de tarea y bajo qué condiciones de declaración explícita. Mientras el marco DEQ opera al nivel de la competencia del sujeto, el modelo PAIGE opera al nivel del diseño de la tarea evaluativa, lo que los convierte en propuestas complementarias antes que excluyentes.

Castelló-Sirvent et al. (2024) amplían el alcance de la propuesta al nivel institucional, planteando una hoja de ruta por fases para la implementación de la IA en educación superior desde una perspectiva ética que articula gobernanza, formación docente, actualización curricular y diseño de políticas de uso. Su propuesta es explícitamente secuencial y gradual, reconociendo que las instituciones de educación superior no pueden transformar sus marcos normativos de manera simultánea en todos los ámbitos. Por su parte, Gallent Torres et al. (2023), en el contexto iberoamericano y con base en el caso español, subrayan que la tensión entre el potencial pedagógico de la IAG y los riesgos para la integridad académica no puede resolverse con respuestas puramente tecnológicas ni exclusivamente normativas, sino que requiere una reorientación pedagógica de fondo que privilegie la formación ética y el pensamiento crítico por encima de la producción de productos evaluables.

Desde una perspectiva de análisis estratégico, Farrokhnia et al. (2024) aplican la metodología FODA a ChatGPT en el contexto educativo e identifican, entre las principales amenazas, la denominada “democratización del plagio”, un fenómeno que facilita tanto la mecánica como la oportunidad de las prácticas deshonestas al generar lenguaje natural de calidad suficiente para evadir los detectores convencionales, así como el riesgo de dependencia tecnológica y el deterioro de las habilidades de pensamiento crítico. Sin embargo, los mismos autores señalan, en el lado de las oportunidades, la posibilidad de usar la IAG como herramienta de personalización del aprendizaje y de retroalimentación formativa, lo que revela que la misma tecnología que amenaza la integridad puede, si se gestiona adecuadamente, contribuir a los procesos de aprendizaje auténtico que la integridad busca proteger.

Los límites de las respuestas discursivas y la necesidad de cambios estructurales.

Una de las aportaciones más relevantes de la literatura reciente al debate sobre la integridad académica en la era de la IAG es la distinción conceptual introducida por Corbin et al. (2025) entre cambios discursivos y cambios estructurales en los diseños de evaluación. Los primeros —que incluyen instrucciones sobre el uso permitido de la IAG, sistemas de semáforo, políticas de declaración y orientaciones sobre citación— son aquellos que operan exclusivamente a través de la comunicación de reglas que los estudiantes conservan la libertad de ignorar. Los segundos son aquellos que rediseñan la mecánica misma de la tarea evaluativa de modo que el uso no supervisado de la IAG no permita obtener el resultado buscado, porque la evaluación exige precisamente aquello que la herramienta no puede proporcionar: conocimiento situado, desempeño social sincrónico, proceso documentado o juicio contextual en tiempo real.

Los autores argumentan que la mayor parte de las respuestas institucionales vigentes son de carácter discursivo y son, por esta razón, estructuralmente insuficientes. Esta conclusión resuena con los hallazgos de Kofinas et al. (2025), quienes demuestran empíricamente que ni las evaluaciones diseñadas con criterios de autenticidad constituyen una salvaguarda efectiva, y apunta directamente a la necesidad de transformaciones de fondo en los modelos de evaluación que las instituciones emplean. En la misma dirección, Gruenhagen et al. (2024) señalan que la incorporación de la IAG al currículo universitario y el involucramiento activo de los estudiantes en el diseño de las políticas de uso son condiciones indispensables para que cualquier marco normativo sobre la IAG resulte efectivo y legitimado.

Autoría académica, transparencia y nuevas categorías éticas.

La resignificación de la integridad académica ante la IAG no se limita al ámbito de la docencia y la evaluación. En el campo de la publicación científica, las implicaciones son igualmente profundas. El Committee on Publication Ethics (COPE, 2023) y el International Committee of Medical Journal Editors (ICMJE, 2024) han establecido posiciones convergentes: las herramientas de IAG no pueden figurar como autoras de trabajos académicos porque carecen de capacidad para asumir responsabilidad sobre la exactitud, la integridad y la originalidad del trabajo publicado, y porque no pueden gestionar conflictos de interés ni suscribir acuerdos de derechos de autor. La responsabilidad de declarar el uso de la IAG recae, en todos los casos, en los autores humanos. Esta posición es consistente con los principios de transparencia y responsabilidad que tanto los marcos éticos internacionales como los marcos de integridad académica han definido como valores cardinales.

Sin embargo, Sabourin Laflamme y Bruneault (2025) advierten que las medidas de declaración y las políticas de prohibición, aunque necesarias, son insuficientes para construir una cultura de integridad académica adaptada a la era de la IAG. Su propuesta apunta hacia una renovación más profunda: el desarrollo de una competencia institucional en ética de la IA que vaya más allá del cumplimiento normativo y se traduzca en procesos de formación continua que aborden los aspectos éticos, sociales, técnicos y normativos del uso de estas herramientas. Esta orientación es coherente con la que propone el marco HEAT-AI (2025), que busca regular el uso de la IAG en las instituciones de educación superior a partir de una tipología de casos de uso alineada con el enfoque de riesgo del Reglamento de IA de la Unión Europea, dotando a las IES de un instrumento de gobernanza graduado y contextualizable.

En conjunto, la literatura permite afirmar que la resignificación de la integridad académica ante la IAG es un proceso en curso, multidimensional y aún no resuelto. Las definiciones vigentes se tensionan, los instrumentos de detección muestran sus límites, los marcos propositivos ofrecen orientaciones valiosas, aunque parciales, y los estándares editoriales avanzan hacia posiciones más explícitas sobre la autoría y la transparencia. El denominador común de las perspectivas más sólidas es que la respuesta institucional adecuada no puede reducirse ni a la prohibición ni a la permisividad acrítica, sino que requiere un rediseño deliberado y fundamentado de las prácticas de evaluación, de los marcos normativos y de los procesos de formación ética de la comunidad académica.

Conclusiones

La inteligencia artificial generativa no llegó a la educación superior como una herramienta más. Llegó como una perturbación estructural que no se limita a facilitar nuevas formas de deshonestidad académica, sino que cuestiona los fundamentos mismos sobre los que la academia ha construido, durante décadas, sus nociones de autoría, originalidad y trabajo propio. Comprender esta diferencia —entre un problema técnico y una crisis conceptual— es el primer paso para responder a ella con la seriedad que merece.

El análisis desarrollado en este estudio permite concluir, en primer lugar, que los marcos éticos internacionales sobre IA han alcanzado un nivel de madurez axiológica suficiente para orientar la gobernanza institucional en la educación superior. Existe un núcleo ético compartido, reconocible en todos los instrumentos multilaterales examinados, que descansa sobre principios de recurrencia notable: la transparencia y la explicabilidad de los sistemas de IA, la supervisión humana irrenunciable, la rendición de cuentas y la no discriminación en sus efectos. Su pertinencia para la vida académica es directa: la transparencia se convierte en declaración del uso de la IAG; la supervisión humana, en responsabilidad irrenunciable del autor sobre los contenidos que firma. Sin embargo, la madurez axiológica no ha encontrado su equivalente en madurez operativa. La distancia entre los principios que proclaman los organismos multilaterales y los criterios concretos que las instituciones necesitan para gobernar el uso cotidiano de la IAG sigue siendo considerable. Lo que los marcos internacionales ofrecen es una gramática ética común; la tarea de hablarla en el idioma propio de cada comunidad académica es, y solo puede ser, un trabajo interno.

La segunda conclusión concierne al estado de los marcos de integridad académica. El campo ha vivido un desplazamiento conceptual que esta investigación considera irreversible: la transición desde una concepción de la integridad académica centrada en la detección y sanción del plagio hacia una concepción más amplia que la entiende como competencia ética a desarrollar y como valor institucional a cultivar. Los seis valores cardinales del campo —honestidad, confianza, justicia, respeto, responsabilidad y valentía— conservan toda su vigencia; lo que cambia es la forma en que deben ponerse en práctica, porque los dilemas éticos que la IAG introduce no estaban contemplados en los marcos normativos que los articularon. Adicionalmente, el campo enfrenta la necesidad urgente de reformular sus categorías conceptuales centrales —autoría, originalidad, plagio, trabajo propio— para dar cuenta de una realidad en la que la frontera entre producción humana y producción automatizada es, en muchos contextos, imposible de trazar con certeza.

La tercera conclusión tiene implicaciones inmediatas para quienes diseñan evaluaciones y políticas universitarias. Las respuestas institucionales más extendidas ante la IAG son de naturaleza discursiva: comunican reglas, definen usos permitidos y solicitan declaraciones. Estas medidas son necesarias, pero estructuralmente insuficientes. Su debilidad no es de intención sino de diseño: dependen de que los estudiantes elijan cumplir instrucciones que pueden ignorar sin consecuencias detectables, porque los mecanismos de verificación disponibles han demostrado ser incapaces de distinguir con fiabilidad el trabajo genuino del trabajo generado por IAG. Lo que las instituciones necesitan no son mejores reglas sino diseños evaluativos diferentes: evaluaciones cuya mecánica misma haga que el uso no supervisado de la IAG no permita obtener el resultado esperado, porque lo que se evalúa es precisamente aquello que la herramienta no puede proporcionar — el conocimiento situado, el proceso reflexivo documentado, el juicio contextual en tiempo real. La distinción entre cambios discursivos y cambios estructurales en la evaluación explica en buena medida por qué tantas respuestas institucionales bien intencionadas resultan ineficaces.

En el contexto latinoamericano, el panorama normativo es heterogéneo. Algunas instituciones han avanzado en la construcción de marcos propios de gobernanza de la IAG con cobertura transversal — enseñanza, aprendizaje, evaluación, investigación y gestión —; otras permanecen en posición reactiva o de espera. Esta heterogeneidad tiene costos reales: en ausencia de lineamientos institucionales claros, el uso de la IAG no desaparece, se generaliza de manera no regulada, inequitativa en sus efectos y opaca en su alcance. Una política de integridad académica que se limite al plagio estudiantil estará, por definición, incompleta.

El análisis documental realizado en esta investigación abre la puerta a investigaciones posteriores que deriven en políticas claras sobre el uso de la IAG en todas las dimensiones del quehacer académico: la docencia, el aprendizaje, la evaluación, la investigación científica, la gestión institucional y la publicación académica. Esas investigaciones deberán ser participativas —construidas con los docentes, los estudiantes y los investigadores a quienes afectarán—, apoyarse en evidencia empírica sobre las prácticas reales de uso de la IAG en entornos institucionales específicos, y producir instrumentos normativos flexibles por diseño, capaces de actualizarse al ritmo de una tecnología que no espera.

La integridad académica en la era de la IAG es, en última instancia, una cuestión de cultura institucional antes que de reglamentación. Los reglamentos son necesarios, pero no son suficientes, y su eficacia depende de que estén respaldados por una comunidad académica que comprenda por qué la honestidad intelectual importa —no como obligación normativa, sino como condición de posibilidad del conocimiento genuino. Construir esa cultura, en un momento en que la frontera entre el pensamiento humano y la producción automatizada se vuelve progresivamente más difusa, es el desafío más profundo y urgente que la educación superior enfrenta en este tiempo.

Referencias

1. 1. Asamoah, Pasty, Zokpe, Daniel, Boateng, Richard, et al. (2024). Domain knowledge, ethical acumen, and query capabilities (DEQ): A framework for generative AI use in education and knowledge work. Cogent Education, 11(1), 1–23. https://doi.org/10.1080/2331186X.2024.2439651
2. 2. Bowen, Glenn A. (2009). Document analysis as a qualitative research method. Qualitative Research Journal, 9(2), 27–40. https://doi.org/10.3316/QRJ0902027
3. 3. Castelló-Sirvent, Fernando, Roger-Monzó, Vanessa, & Gouveia-Rodrigues, Ricardo. (2024). Quo vadis, university? A roadmap for AI and ethics in higher education. Electronic Journal of e-Learning, 22(6), 34–51. https://doi.org/10.34190/ejel.22.6.3267
4. 4. Committee on Publication Ethics (COPE). (2023). Authorship and AI tools. COPE Position Statement. https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools
5. 5. Consejo de Europa. (2024). Convenio Marco sobre Inteligencia Artificial y Derechos Humanos, Democracia y Estado de Derecho (CETS n.° 225). https://rm.coe.int/1680afae3c
6. 6. Corbin, Tom, Dawson, Phillip, & Liu, Danny. (2025). Talk is cheap: Why structural assessment changes are needed for a time of GenAI. Assessment & Evaluation in Higher Education, 50(7), 1087–1097. https://doi.org/10.1080/02602938.2025.2503964
7. 7. Cotton, Debby R. E., Cotton, Peter A., & Shipway, J. Reuben. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228–239. https://doi.org/10.1080/14703297.2023.2190148
8. 8. Eaton, Sarah Elaine (Ed.). (2024). Second handbook of academic integrity. Springer International Publishing. https://doi.org/10.1007/978-3-031-54144-5
9. 9. European Network for Academic Integrity (ENAI). (2022). Academic integrity. ENAI Glossary. https://www.academicintegrity.eu/wp/glossary/academic-integrity/
10. 10. Farrokhnia, Mohammadreza, Banihashem, Seyyed Kazem, Noroozi, Omid, & Wals, Arjen. (2024). A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, 61(3), 460–474. https://doi.org/10.1080/14703297.2023.2195846
11. 11. Gallent Torres, Cinta, Zapata González, Alfredo, y Ortego Hernando, José Luis. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE, 29(2). https://doi.org/10.30827/relieve.v29i2.29134
12. 12. González-Videgaray, María del Carmen, Elizondo-Cortés, Mayra, Garduño-Teliz, Elvia, Hernández-Coló, María del Rosario, Díaz-Sosa, Mayra Lorena, Romero-Ruiz, Rubén, Quijada-Monroy, Verónica del Carmen, Rangel-Cortés, Víctor Manuel, Ulloa-Arellano, Víctor Manuel, y Lavín-Alanís, Luz María. (2026). Integridad académica y plagio en la educación superior: disrupción de la inteligencia artificial generativa. Figuras Revista Académica de Investigación, 7(2). https://doi.org/10.22201/fesa.26832917e.2026.7.2.466
13. 13. Gruenhagen, Jan Henrik, Sinclair, Peter M., Carroll, Julie-Anne, Baker, Philip R. A., Wilson, Ann, & Demant, Daniel. (2024). The rapid rise of generative AI and its implications for academic integrity: Students’ perceptions and use of chatbots for assistance with assessments. Computers and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100273
14. 14. Grupo Académico de Inteligencia Artificial Generativa en Educación UNAM (GAIA-GEN). (2025). Recomendaciones para el uso educativo de la Inteligencia Artificial Generativa en la UNAM (2.ª ed.). CEIDE, UNAM. https://iagen.unam.mx/recursos/Recomendaciones_IAGEN_UNAM_2025.pdf
15. 15. Hammond, Kay M., Lucas, Patricia, Hassouna, Amira, & Brown, Stephen. (2023). A wolf in sheep’s clothing?: Critical discourse analysis of five online automated paraphrasing sites. Journal of University Teaching and Learning Practice, 20(7). https://doi.org/10.53761/1.20.7.08
16. 16. Hau, Mark F. (2025). Writing with machines? Reconceptualizing student work in the age of AI. Frontiers in Communication. https://doi.org/10.3389/fcomm.2025.1598988
17. 17. High-Level Expert Group on Artificial Intelligence (HLEG). (2019). Ethics guidelines for trustworthy AI. Comisión Europea. https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai
18. 18. International Center for Academic Integrity (ICAI). (2021). The fundamental values of academic integrity (3rd ed.). Clemson University. https://academicintegrity.org/images/pdfs/20019_ICAI-Fundamental-Values_R12.pdf
19. 19. International Committee of Medical Journal Editors (ICMJE). (2024). Recommendations for the conduct, reporting, editing and publication of scholarly work in medical journals: Artificial intelligence. https://www.icmje.org/recommendations/browse/artificial-intelligence/ai-use-by-authors.html
20. 20. Kofinas, A. K., Tsay, C. H.-H., & Pike, D. (2025). The impact of generative AI on academic integrity of authentic assessments within a higher education context. British Journal of Educational Technology, 56(6), 2522–2549. https://doi.org/10.1111/bjet.13585
21. 21. Lomelí Vanegas, Leonardo (Rector). (2026, 17 de marzo). Acuerdo por el que se crea el Consejo Coordinador de Inteligencia Artificial de la Universidad Nacional Autónoma de México y la Coordinación General del Consejo Coordinador de Inteligencia Artificial de la Universidad Nacional Autónoma de México. Gaceta UNAM, Gobierno.
22. 22. Mogalakwe, Monageng. (2006). The use of documentary research methods in social research. African Sociological Review, 10(1), 221–230.
23. 23. Morales Montes, Mitzi Danae, y Lujano Vilchis, Ivonne. (2021). Entre la integridad académica y el plagio estudiantil ¿qué dicen las universidades públicas mexicanas en su normatividad? Education Policy Analysis Archives, 29(166). https://doi.org/10.14507/epaa.29.5635
24. 24. Moya, Beatriz Antonieta, & Eaton, Sarah Elaine. (2024). Academic integrity policy analysis of Chilean universities. Journal of Academic Ethics, 22(4), 639–663. https://doi.org/10.1007/s10805-024-09515-w
25. 25. OCDE. (2024). Recomendación del Consejo de la OCDE sobre inteligencia artificial (revisión 2024). Organización para la Cooperación y el Desarrollo Económicos. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449
26. 26. Parlamento Europeo y Consejo de la Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea. https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=CELEX:32024R1689
27. 27. Perkins, Mike. (2023). Academic integrity considerations of AI large language models in the post-pandemic era: ChatGPT and beyond. Journal of University Teaching and Learning Practice, 20(2). https://doi.org/10.53761/1.20.02.07
28. 28. Sabourin Laflamme, R., & Bruneault, F. (2025). Redefining academic integrity in the age of generative artificial intelligence: The essential contribution of artificial intelligence ethics. Journal of Scholarly Publishing. https://doi.org/10.3138/jsp-2024-1125
29. 29. Shanto, Shakib Sadat, Ahmed, Zishan, & Jony, Akinul Islam. (2023). PAIGE: A generative AI-based framework for promoting assignment integrity in higher education. STEM Education, 3(4), 288–305. https://doi.org/10.3934/steme.2023018
30. 30. Tecnológico de Monterrey. (s.f.-a). Guía rápida: lineamientos para el uso ético de inteligencia artificial. Instituto Tecnológico y de Estudios Superiores de Monterrey.
31. 31. Tecnológico de Monterrey. (s.f.-b). Lineamientos para el uso de inteligencia artificial para profesores. Instituto Tecnológico y de Estudios Superiores de Monterrey.
32. 32. Temper, Marlies, Tjoa, Simon, & David, Lisa. (2025). Higher Education Act for AI (HEAT-AI): A framework to regulate the usage of AI in higher education institutions. Frontiers in Education. https://doi.org/10.3389/feduc.2025.1505370
33. 33. UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/ark:/48223/pf0000381137
34. 34. UNESCO. (2023). Guidance for generative AI in education and research. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/ark:/48223/pf0000386693
35. 35. Universidad de Granada (UGR). (2024). Recomendaciones para el uso de la inteligencia artificial en la Universidad de Granada: docencia y aprendizaje, investigación, gestión, impacto social. Informado en Consejo de Gobierno el 13 de diciembre de 2024. https://www.ugr.es/universidad/noticias/ugr-aprueba-un-documento-recomendaciones-uso-ia
36. 36. Velez, Meghan, & Rister, Alex. (2025). Beyond academic integrity: Navigating institutional and disciplinary anxieties about AI-assisted authorship in technical and professional communication. Journal of Technical Writing and Communication. https://doi.org/10.1177/10506519241280646