Asistentes de IA por curso: qué tienen ya tres universidades de la región y qué preguntar antes de montar uno
Tres universidades de la región ya tienen asistentes de IA que responden con el material de cada curso: 171 agentes en una, 2,000 estudiantes en otra, y ninguna publica una evaluación institucional de aprendizaje. Ocho preguntas antes de montar uno.
Publicado el 8 de octubre de 2026
Para quién es. Direcciones de tecnología educativa, responsables del LMS, vicerrectorías académicas y direcciones de docencia de universidades de América Latina.
Tres universidades de la región ya tienen asistentes de IA que responden con el material de cada curso: una lleva 171 agentes y 2,316 usuarios, otra 2,000 estudiantes en 40 materias con una norma propia, y la tercera una plataforma donde el docente arma su agente dentro del LMS. El documento describe qué construyó cada una, cómo lo gobierna, qué resultados publica y qué no, y cierra con ocho preguntas para responder antes de montar uno.
1. Qué es un asistente por curso
Un asistente por curso es un chatbot que responde con los materiales de una asignatura: el programa, la bibliografía, las guías y los apuntes que el docente decide cargar. Se diferencia de una herramienta general como ChatGPT en tres cosas. La base de conocimiento es la del curso, no la de internet. Lo crea o lo alimenta el docente, no el estudiante. Y vive dentro de la plataforma institucional, donde la universidad puede ver qué se pregunta y qué se responde.
Las tres experiencias que siguen son de fuentes institucionales: las páginas de noticias de cada universidad, firmadas por sus vicerrectorías o sus oficinas de prensa. Donde una cifra viene del testimonio de un docente y no de una medición institucional, se dice.
2. Católica de Chile: el docente arma su propio agente
La Pontificia Universidad Católica de Chile llama AyudantIA a su programa de tutores virtuales: chatbots personalizados por curso que construyen los propios profesores, con los materiales, la bibliografía y el contenido de la asignatura. Lo lideran la Vicerrectoría de Inteligencia Digital y la Vicerrectoría Académica, y a noviembre de 2025 estaba en fase de implementación.
Las cifras institucionales a esa fecha: 171 agentes creados, 137 de ellos durante el piloto; 2,316 usuarios; más de 10,000 conversaciones; 92 profesores en 94 cursos, 26 de formación general y 68 disciplinares. Más de 10,000 estudiantes tienen acceso, aunque los usuarios registrados son los 2,316. Los agentes corren sobre modelos de OpenAI: 59 con GPT-4o y 112 con GPT-4o-mini.
El gobierno es del docente. Cada profesor crea su agente y valida el marco en que opera; la universidad lo forma para hacerlo. Los agentes más usados son el de ayudantes del Centro de Desarrollo Docente, con más de 1,100 usuarios únicos, uno de Ingeniería con más de 900 conversaciones y un tutor socrático de Ciencias Sociales con más de 550.
Sobre aprendizaje, la universidad publica un testimonio, no una medición: la profesora Carolina Serrano, del curso de Biología Microbiana, reporta que las notas de seminario promediaron sobre 6 en la escala de 1 a 7 y que la brecha entre carreras bajó, y lo atribuye al buen uso de la IA. Su regla de aula: trabajar dentro del entorno del curso, citar fuentes, explicar los recursos usados y demostrar dominio.
El vicerrector académico, Mario Ponce, presenta el proyecto como apoyo al trabajo docente, no como reemplazo. La evaluación de resultados se anunció para el segundo semestre de 2025, sin método ni métrica publicados, y el plan es integrar el programa a la estrategia 2026 a 2030.
3. Buenos Aires: una plataforma propia y una norma antes de escalar
La Facultad de Ciencias Económicas de la Universidad de Buenos Aires desarrolló su propio agente de IA dentro de Mi Econ, la plataforma desde la que los estudiantes entran al aula virtual. Cada cátedra sube su bibliografía y el estudiante consulta solo ese material. A julio de 2026 lo usaban 2,000 alumnos en 40 materias y 184 cursos, con 44 cátedras involucradas. La Facultad se presenta como la primera de la UBA con una plataforma interna de IA y un marco normativo propio.
La norma es lo que distingue el caso. La Facultad aprobó una normativa institucional que fija cuatro condiciones: la herramienta funciona en un entorno cerrado y seguro, usa exclusivamente materiales elegidos por las cátedras, garantiza privacidad de los datos y trazabilidad de las interacciones, e iguala el acceso para todos los estudiantes. Los docentes verifican que sus alumnos usan el material del programa.
Sobre autoría, la norma es explícita: la responsabilidad del trabajo académico sigue siendo del estudiante; la IA puede asistir en procesos parciales, pero no traslada la autoría. El estudiante debe mencionar el uso de IA cuando corresponda y cumplir la política de curso que define cada cátedra. Y la evaluación cambia de objeto: se evalúa el proceso, con borradores, registros de trabajo, defensas orales breves y evidencias de autoría, no solo el producto final.
La secretaria académica, Natalia Guidolin, resume el diseño: los estudiantes consultan la bibliografía que usan sus profesores en sus materias. La Facultad no publica cifras de conversaciones, satisfacción ni aprendizaje.
4. Monterrey: la plataforma para que cada docente construya
El Tecnológico de Monterrey tiene dos piezas. TECgpt es un ecosistema donde los docentes construyen agentes conversacionales y experiencias personalizadas para sus grupos. TECbot Académico resuelve dudas en tiempo real dentro del sistema institucional de gestión del aprendizaje. Las dos forman parte de la personalización del aprendizaje, una de las tres iniciativas estratégicas de la institución en 2025, junto con la IA y la educación digital.
Las cifras públicas son del conjunto de innovación educativa de 2025, no de TECgpt: el Observatorio del Instituto para el Futuro de la Educación reporta más de 64 mil estudiantes-materia y 1,285 docentes; el boletín Mosaico, del mismo reporte, 279 actividades, 721 docentes y más de 49,000 estudiantes. Las dos páginas describen el mismo informe con unidades distintas y ninguna explica la diferencia. La institución no publica cuántos agentes se crearon en TECgpt, cuántos estudiantes los usan ni desde cuándo.
Lo que sí publica son resultados de proyectos concretos con agentes. En la Escuela de Derecho, el agente Law AInterview simula casos jurídicos complejos; la capacidad de los estudiantes de séptimo semestre para obtener información jurídica clave pasó de 47% a 80%. En Medicina, TECgpt se usó para generar reactivos de opción múltiple con el estándar del NBME, el examen de licencia médica de Estados Unidos. La mejora de 20 a 48 puntos que reporta el Instituto para el Futuro de la Educación corresponde a módulos de nivelación adaptativos, no a los agentes.
5. Lo que las tres tienen en común y lo que ninguna publica
| Dimensión | Católica de Chile | UBA Económicas | Tec de Monterrey |
|---|---|---|---|
| Quién crea el asistente | El docente, formado por la universidad | La cátedra carga la bibliografía; el desarrollo es de la Facultad | El docente, en la plataforma TECgpt |
| Base de conocimiento | Materiales y bibliografía del curso | Solo bibliografía de la cátedra | Materiales del grupo |
| Dónde vive | Plataforma institucional | Mi Econ, junto al aula virtual | LMS institucional (TECbot) y TECgpt |
| Modelo o proveedor | GPT-4o y GPT-4o-mini | No publicado; desarrollo propio | No publicado |
| Norma escrita de uso | Marco validado por cada docente | Normativa institucional aprobada | Plan Rumbo al 2030, eje de IA |
| Cifras de uso | 171 agentes, 2,316 usuarios, 10,000 conversaciones | 2,000 alumnos, 40 materias, 184 cursos | No publicadas para TECgpt |
| Evaluación de aprendizaje | Testimonio de un curso | No publicada | Un proyecto con medición (47% a 80%) |
Las tres coinciden en el diseño: el contenido es el del curso, el docente controla la base y la herramienta vive donde el estudiante ya entra. Ninguna de las tres publica una evaluación institucional de aprendizaje con grupo de comparación, ni la política de datos del proveedor del modelo, ni el costo. Las que escalaron más rápido (Católica y Tec) lo hicieron con el docente como constructor; la que escribió la norma primero (UBA) escaló con la cátedra como unidad.
6. Ocho preguntas antes de montar uno
- Quién crea y quién aprueba. Si el docente arma el agente, quién revisa que la base y las instrucciones sean correctas antes de abrirlo a estudiantes.
- Qué base de conocimiento y quién la mantiene. Qué entra, qué no, y quién actualiza cuando cambia el programa.
- Dónde vive y con qué identidad entra el estudiante. Dentro del LMS o aparte; si la universidad puede ver las conversaciones y con qué fin.
- Qué modelo responde y qué pasa con los datos. Proveedor, dónde se procesan las preguntas de los estudiantes y si entrenan modelos ajenos.
- Qué puede hacer y qué no. Explicar, guiar, dar pistas; o resolver la tarea. La regla se escribe en el programa del curso.
- Cómo se declara su uso y quién responde por un error. Si el asistente da una respuesta equivocada que el estudiante repite en un examen, de quién es la responsabilidad.
- Qué se mide y contra qué. Uso, satisfacción y aprendizaje, con un grupo o un periodo de comparación. Un testimonio no es una medición.
- Qué pasa al terminar el semestre. Continuidad del agente, costo por conversación y quién lo paga cuando el piloto termina.
Fuentes
- Pontificia Universidad Católica de Chile. "AyudantIA: UC Chile's Innovative Project Bringing AI into the Classroom". Ámbar Lillo y José Antonio Martin. 27 de noviembre de 2025. https://www.uc.cl/en/news/ayudantia-uc-chiles-innovative-project-bringing-ai-into-the-classroom/
- Universidad de Buenos Aires, Facultad de Ciencias Económicas. "Nuevos criterios para el uso de chatbot de UBA Económicas". 2 de julio de 2026. https://economicas.uba.ar/nuevos-criterios-para-el-uso-de-chatbot-de-uba-economicas/
- Tecnológico de Monterrey, Observatorio del Instituto para el Futuro de la Educación. "Tec de Monterrey apuesta por la personalización del aprendizaje y la IA". Gabriela Guadarrama. 14 de mayo de 2026. https://observatorio.tec.mx/tec-de-monterrey-apuesta-por-la-personalizacion-del-aprendizaje-y-la-ia/
- Tecnológico de Monterrey, Mosaico Tec. "Reporte de innovación educativa en el Tecnológico de Monterrey 2025: resultados que transforman el aprendizaje". 26 de febrero de 2026. https://mosaico.tec.mx/es/noticia/reporte-de-innovacion-educativa-en-el-tecnologico-de-monterrey-2025-resultados-que
Análisis y conclusiones de Proctorizer a partir de los informes citados.