El reciente proceso de admisión 2026 de la UNAM encendió las alarmas debido a graves irregularidades en las puntuaciones de los aspirantes, caracterizadas por un incremento inusual y una distribución totalmente anormal en el número de aciertos. Esta crisis se originó por el uso —por primera vez en la institución— de un modelo de exámenes en línea desde casa. Se implementó bajo la premisa de que la vigilancia de los estudiantes podría realizarse con eficacia y seguridad mediante aplicaciones de Inteligencia Artificial (IA) diseñadas para monitorear el comportamiento de los sustentantes y su entorno. Desgraciadamente, el experimento fracasó estrepitosamente. Algunos analistas estiman que cerca del 50% de los estudiantes contó con algún tipo de ayuda externa, y que entre el 80% y 90% de quienes recibieron una nota satisfactoria lo logró gracias a ella. Ante la evidente inequidad de los resultados, las autoridades universitarias decidieron —afortunadamente— verificar el desempeño de los alumnos mediante un examen de control presencial que se realizará en los próximos días.
Esta crisis de veracidad de los resultados de un examen no es exclusiva de México. Por ejemplo, en Corea del Sur y Taiwán se detectó el uso de hardware espía con IA integrada para los exámenes de certificación de inglés (TOEIC) y las pruebas de acceso a las facultades de Medicina. Igualmente, se descubrió el hackeo remoto de sistemas mediante tecnologías capaces de vulnerar los navegadores bloqueadores (safe browsers). Asimismo, en estados como California y Nueva York aplicaron el examen de la Barra de Abogados (Bar Exam) a través de la plataforma ExamSoft, la cual identificó incorrectamente a miles de aspirantes como "potencial fraude" debido a fallas en el algoritmo de reconocimiento de audio y video.
Los casos anteriores se explican porque, en la actualidad, los sistemas de vigilancia con IA presentan al menos tres tipos de limitaciones estructurales críticas:
1. Inseguridad técnica ante el fraude (falsos negativos). La IA vigila la pantalla y el campo de visión de la cámara web tradicional, pero es completamente ciega a lo que ocurre detrás de ella. Los estudiantes colocan tabletas, teléfonos o monitores secundarios justo detrás de la lente para consultar herramientas como la IA. Además, existen programas que operan mediante atajos del sistema y capas invisibles (overlays) que los navegadores bloqueadores convencionales no logran identificar, lo que permite compartir pantallas en tiempo real con terceros o con IA encargadas de resolver el examen. Estudios de ciberseguridad demuestran que estos programas funcionan más como un disuasor psicológico que como una barrera real; si el estudiante pierde el miedo y conoce las limitaciones físicas de la cámara, el sistema es fácilmente ejecutable.
2. Rigidez e injusticia evaluativa (falsos positivos). Alumnos con deficiencias de atención, tics nerviosos o aquellos que por pura ansiedad miran al techo, leen las preguntas en voz alta o se mueven constantemente en la silla son marcados automáticamente como "tramposos". Así, el alumno gasta más energía concentrándose en no mover los ojos o en no perder el encuadre de la cámara que en resolver la prueba académica, lo que altera los resultados reales de la medición académica.
3. Crisis de privacidad y brecha socioeconómica. El software exige escaneos de 360 grados de la habitación del estudiante y recolecta datos biométricos sensibles (movimiento ocular, patrones de tecleo y rasgos faciales). Históricamente, estos servidores ya han sufrido hackeos masivos con filtraciones de datos de cientos de miles de usuarios en la dark web. Aunado a esto, el sistema asume que todos los aspirantes cuentan con una habitación privada en silencio, iluminación de estudio, una computadora moderna y una conexión a internet de alta velocidad estable. Los estudiantes de entornos vulnerables o familias multigeneracionales terminan siendo desconectados o sancionados por ruidos ambientales o interrupciones ajenas a su control.
En conclusión, cuando una evaluación es de alto impacto (high-stakes), los incentivos para burlar los algoritmos rompen cualquier barrera digital. La experiencia nos demuestra que la IA sirve para auditar el conocimiento en entornos controlados, pero no para asegurar la confianza en la evaluación a distancia. En mi próxima entrega abordaré alternativas para gestionar procesos de selección masivos seguros.
Presidente del Consejo Directivo de Métrica Educativa, A.C. @EduardoBackhoff