Antes que la IA, arregle sus datos
Si hoy asiste a casi cualquier reunión de gabinete, senado de profesores o comité de tecnología en un colegio o universidad, escuchará la misma conversación: ¿Cómo usamos la IA? ¿Qué herramientas ponemos a prueba primero? ¿Cómo redactamos una política de uso aceptable? ¿Cómo capacitamos a los profesores y al personal?
Éstas son preguntas razonables. Pero hay una cuestión más fundamental que a menudo se pasa por alto, y puede que sea la más importante de todas.
¿Están nuestros datos listos?
Suena sencillo. No lo es. Y para la mayoría de las instituciones, la respuesta honesta es: todavía no.
La herramienta no es el problema
Las herramientas de IA generativa (ChatGPT, Gemini, Copilot, Claude) han pasado de la curiosidad a la estrategia institucional a una velocidad notable. Los administradores los utilizan para redactar comunicaciones y resumir informes. Los profesores están experimentando con ellos en el aula. Los equipos de servicios estudiantiles están explorando chatbots con tecnología de inteligencia artificial para brindar asesoramiento y apoyo financiero.
La emoción es comprensible. Estas herramientas son realmente impresionantes. Pero esto es lo que tiende a perderse en el entusiasmo: la calidad de lo que produce la IA generativa depende casi por completo de la calidad de la información de la que extrae. Una IA sofisticada situada sobre datos institucionales fragmentados, obsoletos o mal gobernados generará respuestas erróneas que suenan sofisticadas.
Eso no es hipotético. Ya está sucediendo en instituciones que implementaron asistentes de inteligencia artificial antes de tener su casa de información en orden: herramientas que dirigen con confianza a los estudiantes a políticas de ayuda financiera que se habían actualizado hace dos años o asesoraban sobre recursos que sólo existían en una carpeta de SharePoint que nadie mantenía.
La IA sólo puede ser tan efectiva como la información a la que puede acceder. Si los datos institucionales están fragmentados, desactualizados o mal gobernados, la IA simplemente generará errores más rápido y con mayor confianza.
El problema oculto: el conocimiento institucional está disperso
La mayoría de los colegios y universidades tienen más datos de los que saben qué hacer con ellos. Los sistemas de información estudiantil, las plataformas de gestión del aprendizaje, las herramientas CRM, los sistemas de ayuda financiera y decenas de aplicaciones departamentales han ido acumulando registros durante décadas.
Pero el volumen de datos no es lo mismo que la preparación de los datos. El verdadero desafío no es tener muy poca información, sino que el conocimiento institucional crítico vive en demasiados lugares, en demasiados formatos y con muy poca gobernanza.
Piense en lo que se necesita para que un sistema de inteligencia artificial responda de manera confiable una pregunta como: ¿Cuáles son las vías de transferencia para un estudiante de enfermería que comenzó en un colegio comunitario y desea completar una licenciatura en una universidad estatal?
La respuesta involucra requisitos curriculares, acuerdos de articulación, reglas de elegibilidad para ayuda financiera, flujos de trabajo de asesoramiento, estándares de acreditación y políticas de transferencia de créditos. Esa información podría estar distribuida en cinco sistemas diferentes, tres sitios web diferentes, una unidad compartida que nadie ha tocado en 18 meses y un PDF que era preciso en el último ciclo del catálogo.
Un modelo público de IA no puede distinguir entre una política institucional actual y un documento obsoleto enterrado en un repositorio departamental, a menos que la institución haya curado y gobernado intencionalmente a qué puede acceder la IA. La mayoría no lo ha hecho.