La evaluación con inteligencia artificial promete corregir cientos de exámenes en minutos y aliviar la carga de un profesorado desbordado. Pero abre una pregunta incómoda: ¿puede un algoritmo poner una nota con justicia? Detrás de esa promesa de eficiencia late un dilema ético que toca de lleno al aula, porque una calificación no describe solo un examen: describe a una persona.
El espejismo de la objetividad
Solemos imaginar que una máquina califica sin favoritismos, ajena al cansancio o al estado de ánimo del docente. La realidad es más incómoda. Estudios recientes muestran que los grandes modelos de lenguaje inflan las notas y comprimen las diferencias: son duros con los mejores trabajos y blandos con los más flojos, de modo que su consistencia estadística no equivale a justicia pedagógica. Se ha documentado incluso sesgo hacia ciertos grupos de estudiantes, penalizando sus textos aunque la calidad sea equivalente. El problema del sesgo de la IA en la calificación no es que la máquina se equivoque de vez en cuando, sino que puede equivocarse siempre en la misma dirección, contra los mismos alumnos.
Por qué el sesgo es tan difícil de ver
Un sistema automático no entiende qué es justo: reconoce patrones. Puede reproducir a gran escala los prejuicios presentes en los datos con los que se entrenó, y hacerlo con una apariencia de neutralidad técnica que desarma la sospecha. A ello se suma el llamado sesgo de automatización: cuanto más fluida y bien redactada suena la respuesta de la IA, menos la cuestionamos. La coherencia del lenguaje se confunde con la corrección del razonamiento, y el docente que revisa ciento veinte propuestas una tarde de viernes acaba firmando lo que la máquina sugirió. La herramienta prometía ahorrar tiempo; termina, sin quererlo, sustituyendo el juicio.
Lo que un número no puede decir
Calificar no es solo medir: también es comunicar. Una nota bien puesta le dice al estudiante dónde está, qué mejorar y que alguien leyó de verdad su trabajo. Cuando esa retroalimentación la redacta un sistema que no conoce al alumno ni responde por lo que afirma, se pierde la dimensión formativa y humana de la evaluación. Y aparece un problema de transparencia: si un estudiante no sabe que fue una IA quien lo calificó, tampoco puede reclamar ni defenderse con verdaderas garantías. La justicia en la evaluación educativa depende tanto del resultado como de que el proceso sea explicable. Un algoritmo puede acertar en la media y aun así ser injusto con el caso concreto que tiene delante, precisamente el que más necesitaba una mirada atenta.
Evaluación con inteligencia artificial: dónde poner el límite
La salida no es prohibir la herramienta ni idolatrarla, sino decidir qué tarea le toca a cada quien. El consenso técnico apunta a un modelo híbrido con un “humano en el bucle”: la IA propone un borrador o aporta retroalimentación formativa, y el criterio del docente conserva la última palabra sobre la calificación. Para que ese criterio sea real y no un mero trámite hacen falta reglas claras de uso, transparencia sobre cuándo interviene la IA y formación del profesorado en evaluación justa. En EthiaLab insistimos en que la decisión final debe seguir siendo humana: la eficiencia es bienvenida mientras no compre nuestra renuncia a pensar. Calificar exámenes con inteligencia artificial puede ser un buen punto de partida para la conversación, nunca la palabra final sobre un alumno.
Para reflexionar
Una calificación no es solo un número: es un mensaje sobre el esfuerzo y las posibilidades de una persona. Si delegamos ese mensaje a un sistema que no puede responder por él, ¿a quién reclama el estudiante cuando la nota es injusta? Quizá la pregunta no sea si la IA califica bien, sino qué parte del juicio no deberíamos dejar de ejercer nunca. Puedes evaluar qué tan preparada está tu institución para usar estas herramientas con criterio y seguir el debate en el blog de EthiaLab.
