Inteligencia artificial en trabajos de grado de ingeniería de telecomunicaciones: dinámicas sistémicas, oportunidades y desafíos éticos

Ilustración: Fabián Robledo.

Inteligencia artificial en trabajos de grado de ingeniería de telecomunicaciones: dinámicas sistémicas, oportunidades y desafíos éticos

Fabián Robledo¹

¹Departamento de Señales y Sistemas. Escuela de Ingeniería de Telecomunicaciones. Facultad de Ingeniería. Universidad de Carabobo. frobledo@uc.edu.ve 

Resumen

La inteligencia artificial generativa está transformando los procesos de elaboración y revisión de trabajos de grado en la Escuela de Ingeniería de Telecomunicaciones de la Facultad de Ingeniería de la Universidad de Carabobo. Este artículo analiza el sistema dinámico que se configura cuando estudiantes utilizan IA para desarrollar sus proyectos y profesores emplean estas herramientas para evaluarlos, con especial atención al contexto de la universidad pública autónoma referida. Se emplea un enfoque sistémico para caracterizar la estabilidad de esta interacción, identificando regímenes transitorios, posibles convergencias a estados estacionarios y comportamientos oscilatorios. Se discuten las oportunidades de elevación del piso técnico, las amenazas de homogeneización y pérdida de pensamiento crítico, y la brecha digital y generacional. El artículo propone un diseño cuasi-experimental para la validación empírica, una guía de acción rápida para la facultad y un sistema de indicadores de monitoreo continuo. La integración ética y pedagógica de la inteligencia artificial en la educación superior requiere no solo políticas institucionales claras, sino también una formación específica de todos los actores involucrados.

Palabras clave: inteligencia artificial en educación, evaluación educativa, trabajos de grado, ingeniería de telecomunicaciones, sistemas dinámicos, ética académica, brecha digital

1. Introducción

La inteligencia artificial generativa ha irrumpido en las aulas universitarias con una velocidad sin precedentes, planteando interrogantes fundamentales sobre los procesos de enseñanza, aprendizaje y evaluación, como señalan Cordón García (2023) en su análisis sobre oportunidades y riesgos en la educación superior. 

En el ámbito particular de la ingeniería de telecomunicaciones, estudiantes y profesores adoptan estas herramientas en un fenómeno que merece un examen sistémico: los primeros para elaborar sus trabajos de grado, los segundos para revisarlos. Este artículo aborda una pregunta central: qué tipo de sistema dinámico se configura cuando ambas partes de un proceso académico utilizan inteligencia artificial, y hacia qué escenarios evolutivos tiende. La respuesta requiere un enfoque interdisciplinario que integre perspectivas técnicas, pedagógicas, éticas y prospectivas. Además, el contexto institucional concreto, el de una universidad pública venezolana con recursos limitados y restricciones de acceso a plataformas internacionales, condiciona las posibilidades y desafíos de esta interacción. 

Las restricciones de acceso a plataformas internacionales hacen inviable depender de IAs comerciales, por lo que se recomienda priorizar el uso de modelos open-source alojados en servidores institucionales. Este artículo no solo analiza el fenómeno, sino que propone mecanismos de validación empírica y seguimiento continuo para una implementación informada. La experiencia histórica muestra que el factor crítico no es la tecnología en sí, sino la capacidad de las instituciones para adaptar sus criterios de formación y evaluación, tal como ha ocurrido en disrupciones tecnológicas previas documentadas por Selwyn (2022).

2. Metodología

El análisis se fundamenta en una revisión narrativa de la literatura especializada sobre inteligencia artificial en educación superior, estructurada a partir de las dimensiones técnica, pedagógica, ética, epistemológica, sociológica, jurídica, prospectiva y de ciberseguridad del problema. 

Se emplea la teoría de sistemas dinámicos como marco interpretativo para caracterizar el comportamiento del sistema de interacción entre inteligencia artificial, estudiantes y profesores. Se incluye además una propuesta de diseño cuasi-experimental para la validación empírica de las hipótesis planteadas. El enfoque metodológico se complementa con el análisis sistemático de Zawacki-Richter et al. (2019) sobre las aplicaciones de inteligencia artificial en educación superior, que proporciona un marco para categorizar los usos y desafíos identificados.

3. Caracterización del sistema y su estabilidad

El sistema bajo estudio está compuesto por tres subsistemas interconectados: los estudiantes, que utilizan inteligencia artificial generativa para producir trabajos de grado, los profesores que emplean inteligencia artificial analítica para revisarlos, y las herramientas de inteligencia artificial mismas, que evolucionan continuamente. Entre las herramientas más utilizadas por los estudiantes de ingeniería para tareas de redacción, simulación y codificación se encuentran ChatGPT, GitHub, DeepSeek, Grok, Claude, Copilot y Gemini, cada una con fortalezas diferenciadas: Copilot destaca en la generación de código en lenguajes como Python y MATLAB, mientras que ChatGPT y Gemini ofrecen mayor versatilidad en la explicación conceptual y la estructuración de textos. Sin embargo, todas estas herramientas presentan el riesgo de alucinación, es decir, la generación de información falsa o inconsistente con apariencia de veracidad, lo que resulta particularmente peligroso en contextos técnicos donde un error en un cálculo de propagación o en un parámetro de red puede tener consecuencias graves. 

Este sistema presenta un acoplamiento asimétrico, donde la capacidad de verificación del profesor tiende a ser superior a la capacidad de generación del estudiante, configurando un equilibrio dinámico. Sin embargo, si la tasa de mejora de la IA generativa supera a la de la IA analítica en un factor de dos, el régimen estable podría invertirse en aproximadamente 18 meses, según tasas históricas de mejora reportadas en la literatura especializada. Un tercer actor clave es el tribunal evaluador o Jurado que analiza los trabajos, cuyo rol mediador entre el documento escrito y la capacidad real del estudiante resulta fundamental para la integridad del proceso. 

La estabilidad del sistema depende críticamente de la brecha entre las capacidades de generación y verificación de la inteligencia artificial. Mientras esta brecha se mantenga positiva a favor del profesor, el sistema opera en un régimen estable que permite la elevación del piso técnico de los trabajos, como sostiene Selwyn (2022) en su análisis sobre la relación entre tecnología y educación. Sin embargo, el sistema es metaestable: la rápida evolución de las capacidades generativas puede invertir esta relación, conduciendo a regímenes oscilatorios o de convergencia inestable. 

Se identifican tres posibles regímenes de estado estacionario. El primero es una convergencia armónica, donde ambos actores utilizan inteligencia artificial de manera complementaria, preservando el juicio crítico humano como elemento distintivo. El segundo es una convergencia homogeneizante, donde la inteligencia artificial estandariza los trabajos y las evaluaciones, reduciendo la diversidad de enfoques. El tercero es una oscilación tecnológica, caracterizada por ciclos de mejora de la inteligencia artificial generativa seguidos de adaptación de la inteligencia artificial analítica, sin alcanzar un equilibrio definitivo. El sistema es intrínsecamente dinámico y requiere monitoreo continuo, dado que las capacidades de la inteligencia artificial se actualizan en escalas de meses, no de años.

4. Oportunidades y peligros

Entre las oportunidades destacan la personalización del aprendizaje, la automatización de tareas repetitivas y la posibilidad de que los docentes se enfoquen en actividades más creativas e interactivas, como se discute en el estudio sistemático de Zawacki-Richter et al. (2019) sobre las aplicaciones de inteligencia artificial en la educación superior. 

Los peligros incluyen la dependencia tecnológica, la brecha digital, los sesgos algorítmicos y la erosión de la integridad académica, aspectos que Dwivedi et al. (2023) han analizado en profundidad desde perspectivas multidisciplinarias sobre las implicaciones de la inteligencia artificial generativa en la investigación y la práctica. 

Particularmente, la brecha generacional entre docentes, menos familiarizados con la inteligencia artificial, y estudiantes, nativos digitales, puede generar asimetrías que distorsionen la evaluación. Los profesores pueden sobreestimar o subestimar las capacidades de la inteligencia artificial, y los estudiantes pueden sentirse con ventaja tecnológica, afectando la dinámica de confianza en el aula. La selección de herramientas de IA debe considerar su usabilidad y disponibilidad de soporte en español, y la facultad debe ofrecer guías de uso adaptadas al contexto local.

5. Dimensiones cognitiva, ética y epistemológica

El uso de inteligencia artificial puede generar un efecto de sobredependencia, limitando el desarrollo del pensamiento crítico y la capacidad de resolución autónoma de problemas. La metacognición, definida como el conocimiento de los propios procesos cognitivos, se ve amenazada cuando la inteligencia artificial ofrece respuestas sin exigir reflexión, tal como advierte Cordón García (2023). Por ello, la alfabetización crítica en inteligencia artificial se convierte en competencia esencial para estudiantes y profesores. En las fases intermedias del trabajo, se recomienda que la IA del profesor ofrezca retroalimentación sin nota, solo con sugerencias, para reducir la ansiedad y fomentar la mejora continua. Los desafíos éticos incluyen la transparencia en el uso de inteligencia artificial, la titularidad de los derechos sobre trabajos co-creados, la privacidad de los datos y la equidad en el acceso, como detallan Moya Bello et al. (2025). 

La normativa de la American Psychological Association (2020), en su séptima edición, establece que la inteligencia artificial no puede ser considerada autora, y su uso debe documentarse detalladamente. Las universidades deben establecer políticas claras que declaren el uso de inteligencia artificial como asistencia, no como coautoría. El incumplimiento de la declaración jurada podría será considerado falta grave, equiparable a plagio, y será remitido a la entidad ética de la facultad para su evaluación. 

En el contexto venezolano, el acceso a inteligencias artificiales premium está restringido por las sanciones internacionales y la escasez de divisas, lo que agudiza la brecha digital. Esto exige que la universidad provea herramientas institucionales gratuitas o de código abierto para nivelar el campo de juego. Además, debe diferenciarse entre la propiedad intelectual del código generado por IA, que puede estar sujeto a licencias de código abierto, y la del texto académico, que sigue las normas de autoría tradicional; para el código, se recomienda su liberación bajo licencia institucional o Creative Commons. 

Desde una perspectiva epistemológica, la inteligencia artificial es un sistema predictivo basado en patrones pasados y no genera conocimiento nuevo en sentido estricto, como argumenta Selwyn (2022) al analizar los límites de la tecnología educativa. 

Si los trabajos de grado se limitan a aplicar inteligencia artificial para resolver problemas ya resueltos, se corre el riesgo de formar ingenieros repetidores en lugar de ingenieros investigadores. La inclusión de problemas de frontera con solución no trivial no disponible en la base de entrenamiento de la IA se vuelve indispensable, como por ejemplo el diseño de una red de sensores en un entorno con interferencias no modeladas o la optimización de recursos en escenarios de recuperación de desastres, donde la IA carece de datos suficientes para entrenar. 

Para ayudar a los estudiantes a identificar este tipo de problemas, se sugiere que los tutores proporcionen criterios orientadores, como la ausencia de soluciones estandarizadas en la literatura, la necesidad de adaptar modelos existentes a condiciones locales no contempladas, o la exigencia de integrar conocimientos de múltiples subdisciplinas. Esto interpela directamente al sentido mismo de la titulación: si el trabajo de grado como requisito sigue siendo pertinente en la era de la inteligencia artificial, o si debería desplazarse el énfasis hacia proyectos prácticos, certificaciones externas o pasantías evaluadas.

5. Dimensión prospectiva

En horizontes de cinco a siete años, el modelo tradicional de trabajo de grado podría transformarse en portafolios de competencias que incluyan simulaciones interactivas, repositorios de código auditados y defensas orales que evalúen la capacidad de improvisación técnica, según las proyecciones de Zawacki-Richter et al. (2019) sobre la evolución de las aplicaciones de inteligencia artificial en educación superior. 

En el corto plazo, de dos a tres años, se prevé una adaptación incremental con ajustes en rúbricas y políticas. La evaluación continua y formativa podría reemplazar al juicio final puntual. Para no quedarse rezagada, la Universidad de Carabobo debería comenzar a pilotar estos modelos en los próximos dos o tres años, o antes.

Dwivedi et al. (2023) advierten que las instituciones que no se adapten proactivamente a estas transformaciones corren el riesgo de quedar rezagadas en la formación de profesionales competentes para el mercado laboral del futuro.

6. Recomendaciones para la integración ética y pedagógica

Se propone un flujo metodológico en cuatro fases en la elaboración de los trabajos de grado, cada una con su entregable y criterio de avance. 

La primera fase, luego del planteamiento del problema, es el marco teórico, que podría realizarse preferiblemente sin inteligencia artificial y entregarse como un documento de al menos cinco páginas donde se demuestre la comprensión del estado del arte. 

La segunda fase es la metodología y el desarrollo con inteligencia artificial asistida, cuyo entregable es el código y las simulaciones, que deberán ser evaluados con herramientas de análisis estático como SonarQube o Pylint, y deberán alcanzar un umbral mínimo de calidad definido por la facultad. Se está asumiendo que se trata de proyectos de software aplicado a sistemas, los proyectos preferidos por ahora en la Escuela de Ingeniería de Telecomunicaciones, por las limitaciones inherentes a la costosa y difícil implementación de hardware en ausencia de presupuestos, becas y copatrocinio de la industria.

La tercera fase es la validación cruzada, donde el estudiante debe justificar cada elección sugerida por la inteligencia artificial, presentando un informe de optimización donde explique por qué su solución es eficiente y robusta. 

La cuarta fase es la defensa oral, con preguntas específicas sobre las decisiones humanas frente a las sugeridas por la IA, donde el Jurado evaluará la capacidad de improvisación y razonamiento físico. Esto asegura que el estudiante ejercite el criterio crítico en las etapas más nobles del proceso. 

Se sugiere además una rúbrica tridimensional que pondere la corrección técnica evaluada por inteligencia artificial en un treinta por ciento, la originalidad y justificación humana evaluada por el profesor en un cuarenta por ciento, y la defensa oral interactiva evaluada por el tribunal en un treinta por ciento. 

La originalidad se define operacionalmente a partir de tres indicadores: la novedad del enfoque propuesto en relación con las soluciones estándar disponibles, la formulación propia del problema a partir de necesidades o condiciones locales no contempladas en la literatura, y la propuesta de solución que integra conocimientos de múltiples subdisciplinas de manera no convencional. La ponderación otorga mayor peso al profesor porque su juicio integra aspectos no codificables como la originalidad, la relevancia y la profundidad, mientras la inteligencia artificial se limita a aspectos verificables estructuralmente. 

Es indispensable una declaración jurada de uso de inteligencia artificial, con detalle de los prompts utilizados, las versiones de las herramientas y la justificación de las decisiones propias frente a las sugerencias automáticas. Esta declaración debe ser anexada al trabajo final y considerada en la evaluación. 

Para garantizar equidad y evitar fuga de datos sensibles, se propone la provisión de una inteligencia artificial institucional, alojada en servidores propios de la universidad, con políticas de cifrado, servidores locales y retención máxima de treinta días, garantizando que los datos de los estudiantes y los códigos de simulación no sean almacenados fuera del dominio de la universidad. La IA institucional deberá operar con cifrado en reposo y tránsito, y se establecerá una política de borrado automático a los treinta días de culminado el proceso de revisión. 

Se propone además un sistema de monitoreo continuo basado en indicadores que permitan re-evaluar periódicamente la situación. Estos incluyen encuestas de percepción a estudiantes y profesores cada semestre, análisis de originalidad mediante detección de patrones recurrentes en los trabajos, comparación de calificaciones entre cohortes con y sin acceso guiado a inteligencia artificial, y registro de las herramientas utilizadas por cada estudiante para evaluar la brecha digital. 

Para el próximo semestre, se sugiere implementar un diseño cuasi-experimental dividiendo una cohorte en dos grupos: uno con acceso guiado a inteligencia artificial, con talleres de prompt engineering y alfabetización crítica, y otro sin él o con restricciones. Se compararán los resultados en calidad técnica, originalidad y percepción de aprendizaje, generando evidencia empírica para ajustar políticas. 

Los Jurados evaluadores deberán recibir formación específica en la detección de patrones de uso indebido de la inteligencia artificial, así como en la aplicación de criterios para distinguir entre asistencia legítima y suplantación de autoría. Esta formación debería incluir talleres prácticos sobre identificación de alucinaciones, análisis de coherencia técnica y verificación manual de resultados críticos. 

Por último, se ofrece una guía de acción rápida para la facultad en cinco puntos concretos. El primero es establecer un comité interdisciplinario que redacte un protocolo de uso de inteligencia artificial en trabajos de grado. El segundo es proveer talleres obligatorios para estudiantes y profesores sobre alfabetización crítica en inteligencia artificial. El tercero es implementar la declaración jurada y la rúbrica tridimensional como estándar. El cuarto es pilotear el diseño cuasi-experimental en una asignatura clave. El quinto es revisar el protocolo semestralmente, con base en los indicadores de monitoreo.

Conclusiones

La interacción entre inteligencia artificial, estudiantes y profesores en los trabajos de grado de ingeniería configura un sistema dinámico metaestable, con potencial para converger a regímenes deseables si se implementan políticas pedagógicas y éticas adecuadas. La inteligencia artificial no es el fin de la educación en ingeniería, sino el motor de su próxima evolución: el valor pasará de saber generar una respuesta a saber validar y contextualizar una respuesta generada. 

La formación en criterio crítico, creatividad y capacidad de innovación se convierte en el núcleo de una ingeniería que no delega su esencia en algoritmos. En el contexto particular de la Escuela de Ingeniería de Telecomunicaciones de la Facultad de Ingeniería de Universidad de Carabobo, las acciones concretas, desde la provisión de herramientas institucionales hasta la implementación de diseños experimentales y sistemas de monitoreo, pueden convertir este desafío en una oportunidad para liderar la transformación educativa en América Latina. Como señalan Dwivedi et al. (2023), el desafío fundamental no es tecnológico sino humano: requiere repensar los propósitos de la educación superior en un mundo donde la generación de respuestas ya no es exclusivamente humana. 

Las recomendaciones propuestas se alinean con los estándares de acreditación nacionales e internacionales, como los criterios de la Agencia de Acreditación de Ingeniería (ABET) en cuanto a la formación de competencias profesionales y la evaluación basada en resultados de aprendizaje, lo que sugiere que su implementación no solo es pedagógicamente deseable sino también institucionalmente viable. Para garantizar la efectividad y actualización del protocolo, se propone un ciclo de evaluación externa cada dos años, que incluya la revisión de indicadores de monitoreo y la incorporación de avances tecnológicos y normativos.

Referencias

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000

Cordón García, O. (2023). Inteligencia Artificial en Educación Superior: Oportunidades y Riesgos. RiiTE Revista Interuniversitaria de Investigación en Tecnología Educativa, (15), 16–27. https://doi.org/10.6018/riite.591581

Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., ... & Wright, R. (2023). "So what if ChatGPT wrote it?" Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642

Moya Bello, M. F., Chanto Espinoza, C., Loáiciga Gutiérrez, J., & Mejicano Ortiz, M. (2025). Oportunidades, desafíos y medidas de la inteligencia artificial en la Educación Superior. Revista Científica de Innovación Educativa y Sociedad Actual "ALCON", 5(3), 272–286. https://doi.org/10.62305/alcon.v5i3.590

Selwyn, N. (2022). Education and technology: Key issues and debates (3rd ed.). Bloomsbury Academic.

Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0

Julio, 2026.