Autor: John W. Moravec

Cita recomendada: Moravec, J. W. (2026). Beyond the digital enclosure: AI, coloniality, and the pursuit of educational sovereignty. Learning Futures and Emerging Technologies, 34(3/4). https://doi.org/10.1108/LFET-01-2026-0004

Este es el manuscrito aceptado del autor (AAM) del artículo publicado en Learning Futures and Emerging Technologies. La versión final registrada está disponible en Emerald Publishing en https://doi.org/10.1108/LFET-01-2026-0004 .

Resumen

Propósito

Este artículo conceptual tiene como objetivo examinar la rápida adopción de la IA generativa en la educación pública y sostiene que los marcos actuales de «preparación» pueden ocultar una transferencia de autoridad de las instituciones públicas a las empresas privadas de plataformas. Ofrece un marco estructural para comprender el cercamiento digital, la colonialidad y la soberanía educativa en entornos educativos mediados por la IA.

Diseño/metodología/enfoque

El artículo sintetiza la teoría decolonial con trabajos sobre el cercamiento digital, la infraestructura de plataformas, el capitalismo de vigilancia, la justicia epistémica y la tecnología educativa. Presenta las «cuatro vías de la colonialidad» como marco para analizar la dependencia institucional en el contexto de la adopción de IA controlada por proveedores.

Hallazgos

El artículo identifica cuatro vías por las que el poder de las plataformas penetra en la educación: infraestructura, clasificación, epistemología y trabajo. Estas vías operan mediante la dependencia de proveedores, la vigilancia automatizada, el sesgo lingüístico, el control de acceso epistémico y el trabajo de reparación no remunerado.

Limitaciones/implicaciones de la investigación

Este es un artículo conceptual centrado en sistemas de IA de pesos cerrados, alojados en la nube y controlados por proveedores. Los estudios empíricos deberían poner a prueba el marco en distintas instituciones, modelos de gobernanza y configuraciones de IA.

Implicaciones prácticas

El artículo esboza una agenda mínima de soberanía para las instituciones que adoptan IA. Esta incluye normas de contratación más estrictas, derechos de auditoría, cambios visibles en los sistemas, acceso utilizable a los datos, procesos de apelación, reconocimiento del trabajo de reparación y una participación significativa de docentes y estudiantes.

Implicaciones sociales

La recuperación de la soberanía educativa se presenta como esencial para mantener la educación como bien público e impedir que el aprendizaje público se convierta en una frontera de recursos para el capital privado.

Originalidad/valor

Al plantear la adopción de la IA como un problema de gobernanza y colonialidad, en lugar de como un mero cambio pedagógico, el artículo ofrece un marco de cuatro vías y un diagnóstico práctico para la reflexión y la acción institucionales.

Palabras clave: Inteligencia artificial, colonialidad, gobernanza de plataformas, cercamiento digital, soberanía educativa

Mapa de conocimiento de las ideas clave

Loading knowledge map…

La educación pública en un cercamiento

El crecimiento explosivo de la IA generativa en la educación marca una crisis de gobernanza que va mucho más allá de un simple cambio pedagógico. Las grandes empresas tecnológicas llevan mucho tiempo tratando la educación pública como una cantera abierta a la extracción y llegan con un aura de inevitabilidad mientras los dirigentes institucionales invocan la «preparación» y la «competitividad». Al promocionar la modernización, las empresas de plataformas ocultan una transferencia de autoridad. El resultado es una cadena de miedo: los administradores se preocupan por la obsolescencia reputacional, el profesorado anticipa acusaciones de conducta indebida y los estudiantes se preparan para un futuro para el que no estarán preparados. Limitadas por el isomorfismo institucional, las escuelas implementan políticas copiadas y pegadas en lugar de gobernar en sus propios términos (DiMaggio y Powell, 1983).

El cercamiento comienza con gestos institucionales rutinarios nacidos de la prudencia. Por ejemplo, un comité añade al programa de estudios una declaración sobre la divulgación del uso. O un rector distribuye un memorando sobre el «uso responsable». O un proveedor ofrece capacitación gratuita y una licencia para todo el campus «a modo de experimentación». El profesorado recibe plantillas, listas de verificación y ejemplos de instrucciones. Los administradores pueden mostrar que están tomando medidas sin comprometer recursos sustanciales. Estas iniciativas desvían la atención hacia cómo se usan las herramientas —hacia la conducta—, mientras dejan intacta la gobernanza de las plataformas. La institución comienza a gestionar el riesgo en el ámbito del aula mientras cede autoridad en el ámbito del sistema.

Estos gestos pueden parecer fácilmente justificables, pero representan lo que Andrejevic (2007) describe como el cercamiento digital: las plataformas privadas secuestran actividades que antes eran públicas o no estaban mediadas y convierten la vigilancia en el precio de admisión. En esta configuración, la institución se convierte en un espacio de capitalismo de vigilancia (Zuboff, 2019), donde los registros de interacción se transforman en activos para la acumulación privada. Las grandes empresas tecnológicas conservan el código fuente, el capital y el derecho unilateral a modificar sistemas que determinan cada vez más las condiciones del aprendizaje.

Mucho ha cambiado durante la última década, pero gran parte del discurso actual trata la IA como si perteneciera a la misma categoría que las calculadoras o los teléfonos móviles. La «IA» es un sistema, no un paquete de productos simples. Las calculadoras no se adoptaron con contratos de servicios en la nube, telemetría y políticas de contenido que gobiernan silenciosamente la indagación. Tampoco con regímenes privados de clasificación y síntesis que reformulan lo que se considera conocimiento creíble. Cuando las escuelas aceptan esta analogía, tratan la IA como un problema de gestión del aula, en lugar de como un cambio político y epistémico. Ese encuadre hace que el establecimiento de normas por parte de las plataformas parezca natural.

Estas dinámicas son visibles en decisiones ordinarias de adopción. Una universidad licencia un asistente de escritura con IA mediante el inicio de sesión único, lo que convierte la redacción, la revisión y la indagación de los estudiantes en datos mediados por una plataforma. O un docente recurre a un detector de IA tras una sospecha de conducta indebida, lo que desplaza la carga de la prueba hacia estudiantes cuyo lenguaje no coincide con los registros académicos dominantes. O una plataforma de aprendizaje añade resúmenes, paneles de control o funciones de tutoría con IA mediante una actualización del proveedor, lo que modifica las condiciones de la enseñanza antes de que el profesorado haya revisado los supuestos pedagógicos. Cada caso, considerado por separado, puede parecer procedimental e inocuo. Sin embargo, en conjunto muestran cómo la autoridad se desplaza aguas arriba, desde educadores y estudiantes hacia plataformas que establecen reglas mediante la infraestructura, la clasificación y el diseño de interfaces.

Este artículo ofrece una perspectiva conceptual crítica y una intervención orientada a la construcción de un marco. Se nutre de los conceptos de cercamiento digital, plataformización, capitalismo de vigilancia, colonialidad, justicia epistémica y tecnología educativa para examinar cómo los sistemas de IA controlados por proveedores pueden reorganizar la autoridad educativa. El objetivo no es poner a prueba una afirmación empírica, sino dar nombre a un patrón de gobernanza y ofrecer la soberanía educativa como diagnóstico práctico para la toma de decisiones institucionales.

Marcos sin agencia

La IA llega a la educación envuelta en orientaciones. Los marcos, las listas de verificación y los módulos de capacitación prometen seguridad y claridad. Muchos están bien intencionados. Sin embargo, la mayoría regula la conducta de docentes y estudiantes mientras deja a las plataformas fuera del alcance de la rendición de cuentas. Capacitan para el cumplimiento en la periferia del sistema, mientras el centro permanece bajo el control de los proveedores: actualizaciones, telemetría, reglas sobre contenidos y comportamiento de los sistemas de jerarquización. El resultado es una ética profesional reducida a una actuación, enmarcada como procedimiento.

Este desajuste produce un patrón colonial predecible: la responsabilidad se desplaza hacia abajo mediante reglas de divulgación y políticas de integridad, mientras la autoridad se desplaza hacia arriba mediante actualizaciones de los proveedores, capas de seguridad y prácticas de datos que las instituciones educativas no pueden inspeccionar. El marco se convierte en un contrato moral sin gobernanza compartida. Los docentes siguen reglas que no crearon; los estudiantes aprenden a cumplir en un entorno que no pueden impugnar; y los administradores adoptan sistemas cuya auditoría les está técnicamente vedada. El cercamiento opera por varias vías.

Este análisis se centra en una configuración específica de la IA educativa: sistemas de pesos cerrados y alojados en la nube que se integran institucionalmente mediante inicio de sesión único, incorporación en sistemas de gestión del aprendizaje (LMS), telemetría centralizada y una «política mediante actualizaciones» controlada por los proveedores. En esta configuración, las instituciones educativas dependen de ciclos de cambio privativos y capas de gobernanza opacas, lo que dificulta garantizar en la práctica los derechos de auditoría, la visibilidad de los cambios y la reciprocidad de los datos. Las dinámicas aquí descritas pueden debilitarse bajo configuraciones alternativas, como implementaciones locales o alojadas en las propias instalaciones, modelos de pesos abiertos con modificaciones bajo control institucional o consorcios públicos y gobernados por la comunidad que proporcionen supervisión compartida, prácticas transparentes de actualización y derechos de salida exigibles. Estas alternativas no eliminan el riesgo de gobernanza, pero pueden reducir los efectos del cercamiento al trasladar el control de la infraestructura, los umbrales de clasificación y la función de guardián del conocimiento para acercarlos a educadores y comunidades.

Esta asimetría se asemeja al «teatro de la rendición de cuentas», un régimen de legitimidad procedimental en el que las instituciones pueden demostrar cumplimiento pese a carecer de derechos de auditoría y de control sobre los cambios de los sistemas que determinan los resultados. En este sentido, las orientaciones se convierten en un instrumento de gestión del riesgo institucional, en lugar de un mecanismo de gobernanza de los proveedores. La siguiente sección rastrea esa brecha a través de la infraestructura, la clasificación, la epistemología y el trabajo.

Las cuatro vías de la colonialidad

Planteo una afirmación estructural: la adopción de la IA educativa puede construir y reforzar relaciones coloniales, bajo condiciones específicas de gobernanza, mediante la infraestructura, la clasificación, la epistemología y el trabajo. La colonialidad persiste menos por la intención que por medio de disposiciones rutinarias que se presentan como prácticas y modernas: contratos, normas de adquisición, configuraciones predeterminadas de los productos y actualizaciones de software. Quijano (2000) y Mignolo (2011) describen una matriz de poder que perdura hasta el presente. Las grandes empresas tecnológicas canalizan ahora ese poder a través de cuatro vías. Estas vías funcionan como una tipología de mecanismos de gobernanza, con criterios discriminantes que mantienen cada una de ellas analíticamente diferenciada.

En primer lugar, el colonialismo infraestructural se configura mediante contratos de servicios en la nube, licencias y condiciones de adquisición que crean dependencia a largo plazo. Las instituciones educativas adoptan «programas piloto» que nunca terminan y luego construyen flujos de trabajo, funciones del personal y rutinas estudiantiles en torno a la plataforma. Salir se vuelve difícil porque la gestión de identidades, el inicio de sesión único, el almacenamiento de contenidos, la analítica, la evaluación y los sistemas de soporte se consolidan en una sola «pila tecnológica». Con el tiempo, la plataforma se convierte en condición para participar. La institución paga entonces los costos del cambio en dinero, tiempo, continuidad y credibilidad.

Esta dependencia produce tres efectos sobre la gobernanza. En primer lugar, el ciclo de actualizaciones de la plataforma se convierte en un ciclo de políticas. Las reglas cambian según el calendario del proveedor, no según el de la institución. En segundo lugar, la interoperabilidad se vuelve restrictiva. Existen opciones de exportación, pero con frecuencia eliminan el contexto, los metadatos, el historial de permisos y los registros de auditoría, lo que hace que la salida sea formal, pero no funcional. En tercer lugar, la jurisdicción se desplaza hacia el exterior. Cuando la infraestructura central reside en nubes privadas bajo las condiciones del proveedor, las instituciones educativas pierden capacidad de influencia sobre la auditoría del código, la seguridad de los datos, la reparación y la transparencia. La infraestructura se convierte entonces en una palanca oculta de la gobernanza corporativa. Este desplazamiento refleja la plataformización de la infraestructura (Plantin et al., 2018), mediante la cual los servicios públicos se reorganizan en ecosistemas privados que priorizan la búsqueda de rentas y la captura de datos por encima de la misión pública de la universidad.

La infraestructura es un actor pedagógico. Enseña a los estudiantes que el acceso al apoyo exige autenticación y monitoreo continuo. Enseña al profesorado que la ayuda pedagógica llega a través de interfaces diseñadas en otros lugares y sujetas a reglas que no puede revisar. La infraestructura se convierte en un sistema de caja negra. Con el tiempo, la pila tecnológica normaliza la vigilancia como requisito para participar y presenta como normal la dependencia de un pequeño grupo de empresas. Así es como la gobernanza se convierte en hábito. Los estudiantes aprenden que el aprendizaje está sujeto a controles de acceso, es observable y está mediado por plataformas de caja negra antes de aprender cómo impugnar esas condiciones.

La extracción se vuelve entonces rutinaria. Los textos, clics, consultas de búsqueda e historiales de revisión de los estudiantes se convierten en telemetría del producto. Los proveedores pueden agregar estos rastros entre distintas instituciones, lo que les permite ajustar los sistemas y ampliar su control del mercado. Las instituciones educativas no reciben los mismos beneficios, porque no pueden inspeccionar la totalidad de los registros, los datos conservados ni la reutilización posterior de esos datos. Esta asimetría convierte el desempeño de la actividad educativa ordinaria en una frontera de recursos donde el aprendizaje público produce ventajas privadas.

El colonialismo de la clasificación opera mediante mecanismos de vigilancia y predicción. Los sistemas de IA puntúan, señalan y clasifican a los estudiantes utilizando sesgos geográficos y lingüísticos que las instituciones a menudo no logran detectar. Estas herramientas hacen algo más que identificar texto generado por máquinas; imponen un «cercamiento lingüístico» que considera inherentemente sospechosos a los estudiantes que escriben fuera de los registros dominantes. Al trasladar al estudiante la carga de refutar una acusación automatizada de «hacer trampa», las instituciones educativas crean un ciclo que se perpetúa a sí mismo: la fricción causada por la herramienta se utiliza para justificar una dependencia institucional aún mayor del proveedor que la suministró. Esto refleja lo que Benjamin (2019) denomina el New Jim Code, el uso de nuevas tecnologías que reflejan y reproducen jerarquías existentes mientras parecen objetivas o incluso «progresistas».

Liang et al. (2023) revelaron la profundidad de este «cercamiento lingüístico» cuando probaron siete detectores destacados de GPT con 91 ensayos del TOEFL y 88 ensayos de estudiantes estadounidenses de octavo grado. Los detectores mostraron un rendimiento casi perfecto con los ensayos estadounidenses, pero clasificaron erróneamente los ensayos del TOEFL como generados por IA, con una tasa media de falsos positivos del 61.22%. En la versión publicada, los autores informan que al menos un detector señaló el 97.8% de los ensayos del TOEFL como generados por IA, lo que convierte una herramienta técnica en un régimen disciplinario.

En términos foucaultianos, estas herramientas desplazan la evaluación hacia la vigilancia y la normalización, porque tratan la desviación respecto de un registro preferido como un riesgo que debe documentarse y corregirse (Foucault, 1977). Cuando un sistema considera sospechoso el lenguaje predecible, penaliza la expresión restringida, los hábitos de traducción y la fluidez en una segunda lengua. En la práctica, grava al Sur Global y a otros autores minorizados mediante un mayor riesgo de acusación, mayores cargas probatorias y una menor confianza.

El colonialismo epistémico se concentra en las capas de seguridad, la disponibilidad de contenidos, las reglas de respuesta y los sistemas de clasificación establecidos por quienes desarrollan los modelos. Estas capas actúan como puertas de acceso en la gobernanza privada de la indagación. Deciden de antemano qué preguntas son aceptables, qué temas están prohibidos, qué líneas de razonamiento reciben advertencias y qué fuentes aparecen y se consideran autorizadas. Al interactuar con los sistemas de IA como una caja negra, los estudiantes experimentan esto como una frontera invisible. Los educadores lo experimentan como barreras de protección para un «uso responsable». Sin embargo, esa frontera codifica e impone valores que ellos no eligieron.

Dos mecanismos son fundamentales. En primer lugar, las reglas de respuesta configuran el espacio de las preguntas posibles. Cuando un modelo bloquea, suaviza o desvía ciertos temas, modifica el horizonte de la indagación, a menudo sin revelar la justificación. Estos controles pueden reducir el daño, pero también centralizan el poder sobre el acceso al conocimiento. Ponen las decisiones sobre lo que puede discutirse en manos del propietario del sistema y de su régimen de riesgos, en lugar de en manos de los educadores y las comunidades. En segundo lugar, la clasificación y la síntesis determinan qué se valora como conocimiento. El modelo decide qué afirmaciones aparecen primero, qué pruebas parecen «pertinentes» y qué perspectivas se presentan como marginales o inseguras.

Hila (2025) enmarcó este problema como un desajuste entre fiabilidad y comprensión. Los grandes modelos de lenguaje pueden aproximarse a una forma de justificación externalista, pero no proporcionan una justificación reflexiva porque no pueden articular los fundamentos por los que una proposición debe considerarse verdadera. Cuando las instituciones educativas externalizan el trabajo reflexivo a resultados fiables, corren el riesgo de erosionar en el colectivo los estándares reflexivos de justificación, lo que debilita los deberes epistémicos profesionales y cívicos.

El resultado predecible es la autocensura. Los estudiantes aprenden a preguntar qué permitirá el modelo, en lugar de lo que exige la materia que exploran. Los docentes aprenden a diseñar en torno a los desencadenantes de rechazo, lo que desplaza la enseñanza de la indagación disciplinar a la navegación por la plataforma. Con el tiempo, la plataforma se convierte en el árbitro práctico de la «curiosidad segura», lo que restringe la libertad académica mediante el hábito, en lugar de hacerlo por decreto.

Estas reglas también funcionan como paternalismo algorítmico, o incluso como una forma de epistemicidio (Santos, 2014), es decir, el silenciamiento activo de determinadas formas de conocimiento. La plataforma decide a qué conocimientos es «seguro» acceder y qué preguntas requieren rechazo, suavización o advertencia. Esta decisión no surge del aula, de la disciplina ni de la comunidad. Surge de un cálculo privado de riesgos y de supuestos generalizados sobre el daño. Esto produce un desplazamiento de la autoridad. Los educadores pierden la capacidad de encuadrar conocimientos difíciles mediante el contexto y el cuidado, mientras que los estudiantes aprenden que los límites de la indagación se dictan desde lejos y se imponen sin posibilidad de apelación.

Si los docentes no pueden inspeccionar los prompts del sistema, las políticas de moderación, las restricciones del entrenamiento y los historiales de actualizaciones, entonces no pueden enseñar a los estudiantes cómo el sistema los ayuda a comprender el «conocimiento». El resultado es la dependencia epistémica: los estudiantes practican dentro de un entorno informativo cuyas reglas no pueden ver, impugnar ni revisar.

Por último, el colonialismo laboral se manifiesta como un subsidio oculto a las empresas de plataformas dominantes. La continuidad de los beneficios depende del «control de calidad», que las instituciones educativas proporcionan sin compensación, reconocimiento ni influencia en la gobernanza. Educadores y estudiantes dedican tiempo a corregir alucinaciones, verificar citas, gestionar la ansiedad causada por la vigilancia, documentar declaraciones, reescribir tareas para evitar desencadenantes de sospecha y tramitar disputas por mala conducta que la herramienta contribuye a crear. Este es un ejemplo destacado de lo que Ekbia y Nardi (2017) denominan heteromatización: la extracción de valor económico de trabajo humano gratuito o de bajo costo que está mediado por sistemas automatizados y oculto tras ellos.

Esto va más allá del «trabajo adicional» que forma parte normal del uso de estas herramientas y se convierte en una forma de transferencia de riqueza. El tiempo del docente es capital público. Se financia para apoyar el aprendizaje, no para estabilizar sistemas comerciales que permanecen opacos para las personas obligadas a depender de ellos. Cuando los educadores realizan controles de calidad, rediseñan la evaluación en función de los límites de la plataforma y gestionan disputas de autoría provocadas por sospechas automatizadas, convierten el trabajo público en control de calidad y pruebas de estrés de productos privados. El proveedor captura los beneficios mediante la adopción, las renovaciones y la legitimidad en el mercado, mientras las instituciones educativas absorben los costos en forma de agotamiento, atención desviada y menor capacidad para educar.

Tabla 1. Visualización de las cuatro vías de la colonialidad

Vía Mecanismo principal Impacto pedagógico Lógica colonial
Infraestructural Contratos de servicios en la nube, «la pila tecnológica» y adquisiciones sujetas a dependencia del proveedor Normaliza la vigilancia y la dependencia como precio de la participación Captura territorial: la plataforma se convierte en el único espacio donde puede ocurrir el aprendizaje
Clasificación Predicción algorítmica y detectores lingüísticos Penaliza los registros no dominantes; traslada la carga de la prueba al estudiante Cercamiento lingüístico: definir la «normalidad» para justificar regímenes disciplinarios
Epistémica Capas de seguridad, reglas de respuesta y lógica de clasificación Fomenta la autocensura; desplaza la autoridad de las disciplinas al código Paternalismo: silenciar diversas formas de conocimiento bajo la apariencia de «seguridad»
Laboral «Trabajo de reparación» y control de calidad no remunerados Desvía el capital público, el tiempo docente, de la pedagogía a la estabilización del sistema Extracción: las instituciones públicas aportan el trabajo básico para reducir el riesgo de los productos privados
Nota. Creada por el autor.

Considérese esta viñeta: Un estudiante entrega un borrador. Un detector de IA lo señala. El docente interrumpe la calificación, se reúne con el estudiante, revisa el historial de versiones y redacta un memorando para un proceso de integridad. Un director de departamento revisa el memorando, un comité programa una audiencia y el estudiante vuelve a escribir bajo vigilancia. El proveedor no asiste, no revela los umbrales que desencadenaron la investigación y no compensa las horas dedicadas a estabilizar la confianza. La institución financia el trabajo, mientras el proveedor conserva la autoridad que contribuyó a producir la disputa y puede conservar los borradores para su propio entrenamiento.

La ilusión de «usar» la IA y los límites de la «ética»

La IA generativa puede aportar beneficios instrumentales reales en contextos educativos, incluidos apoyos a la accesibilidad, como asistencia lingüística y formatos alternativos, apoyo para la redacción y retroalimentación formativa rápida. Estos beneficios refuerzan los argumentos a favor de la gobernanza, porque la dependencia sin derechos de auditoría agrava el daño cuando se producen fallos. Cuando las instituciones no pueden inspeccionar el comportamiento del sistema, impugnar los umbrales de clasificación ni hacer seguimiento de los cambios en la lógica de seguridad y clasificación, las mismas herramientas que apoyan el aprendizaje también pueden amplificar la inequidad, provocar sospechas injustas y restringir la indagación sin posibilidad de reparación.

Las instituciones educativas suelen describir la IA como una herramienta que los educadores «usan». El lenguaje implica agencia: el educador actúa para promover sus propios objetivos y la herramienta presta asistencia. Sin embargo, las plataformas orientan la acción mediante configuraciones predeterminadas que moldean la atención y el juicio. Un panel de control resume el progreso en torno a indicadores estrechos. Una capa de seguridad define qué indagaciones pueden ser permisibles. Un sistema de recomendación determina la pertinencia. Estos mecanismos gobiernan mediante la interfaz y las configuraciones predeterminadas, lo que desplaza la autoridad desde los procesos deliberativos de formulación de políticas hacia decisiones de diseño controladas por los proveedores. En esencia, desempeñan la labor pedagógica en lugar de asistirla.

Así es como la colonización se normaliza en la práctica. Mucho antes de que un docente escriba un prompt, la plataforma ya ha establecido los límites de lo seguro, lo visible y lo creíble. Los educadores gestionan entonces las interacciones en el aula como si esos límites fueran aceptables. Los estudiantes aprenden qué preguntas provocan el rechazo del sistema, qué lenguaje evita las sospechas y qué formas de argumentación recompensa el sistema. La plataforma reorganiza la enseñanza en torno a su propio conjunto de reglas.

Este patrón persiste porque las decisiones que configuran las aulas se toman en instancias previas. Las cláusulas de adquisición que renuncian a los derechos de auditoría, las políticas de seguridad predeterminadas que filtran temas sin la participación de los educadores, la telemetría que registra el comportamiento de los estudiantes y los paneles de control que definen el progreso mediante métricas de los proveedores funcionan, en conjunto, como un currículo invisible. Allí donde reside el poder —en las configuraciones, los umbrales y los procesos de actualización— es donde se ha cedido la gobernanza.

Sin embargo, a educadores y estudiantes se les dice que usen la IA de manera «ética». Los marcos institucionales de ética de la IA suelen funcionar como una artimaña. Imponen la responsabilidad moral y profesional a docentes y estudiantes mientras dejan a los proveedores el control unilateral del comportamiento de los modelos, los flujos de datos y los cambios de los sistemas. El marco se convierte entonces en una representación del teatro del cumplimiento. Recompensa la vigilancia, la documentación y la divulgación, pero no puede gobernar los sistemas que generan el riesgo. El resultado es una pérdida de agencia: educadores y estudiantes tienen menos formas de actuar, menos razones para confiar en su criterio y menos canales para impugnar el sistema.

Este desplazamiento de la rendición de cuentas responde a una lógica colonial: las instituciones disciplinan a los usuarios en la periferia, mientras el poder de las plataformas permanece en instancias previas y sin rendir cuentas. Una respuesta basada únicamente en la ética no puede corregir esa asimetría. La tarea central es la gobernanza democrática de los sistemas que establecen las condiciones de la indagación, el uso de los datos y el cambio. Esto exige pasar de la adaptación a la autoridad, para que las instituciones educativas puedan establecer, examinar y revisar las condiciones bajo las cuales opera la IA en el aprendizaje.

Recuperar la agencia mediante la soberanía

La agencia es la capacidad de configurar las condiciones del aprendizaje. La autoeficacia es la creencia aprendida, basada en la competencia y la retroalimentación, de que las propias acciones pueden producir resultados (Bandura, 1997). Las plataformas debilitan ambas cuando restringen las opciones, ocultan el comportamiento del sistema y convierten el aprendizaje en el cumplimiento de reglas opacas. Las instituciones educativas pueden reconstruir ambas cuando hacen que la gobernanza sea visible y participativa, y cuando enseñan a los estudiantes a interrogar los sistemas en lugar de someterse a ellos.

La liberación de las cuatro vías de la colonialidad requiere un desplazamiento institucional de la preparación a la soberanía. Mientras que la preparación solo mide la escala del acceso, la soberanía mide la profundidad del control y la revisión. Como sostiene Smith (2021), las metodologías decolonizadoras exigen recuperar el control sobre la forma en que la propia comunidad es representada y gobernada. En educación, esto significa rechazar el papel del «usuario pasivo» y afirmar el derecho a «diseñar las condiciones de nuestra propia indagación» (Simpson, 2014).

El discurso sobre políticas suele medir los dispositivos, el ancho de banda y la adopción de plataformas. Sin embargo, un sistema puede parecer «preparado» y seguir gobernado desde el exterior. Cuando las instituciones educativas dependen de infraestructura externa de IA que no pueden inspeccionar, cuestionar ni revisar, importan gobernanza, funcionalidad y responsabilidad. Adoptan el ciclo de actualizaciones de la plataforma, sus objetivos y sus métricas de desempeño. La preparación se convierte entonces en el lenguaje mediante el cual la dependencia se presenta como progreso.

Las instituciones educativas suelen tratar la soberanía como un asunto técnico y entregársela a los proveedores y al personal administrativo de cumplimiento, pero debería comenzar en el aula. Debe comenzar por establecer los límites de la indagación y quién puede cambiarlos. En la Tabla 2, presento un diagnóstico sencillo que cualquier institución educativa debería poder completar. Las respuestas ayudan a mostrar en qué medida existe una gobernanza eficaz de la tecnología educativa y pretenden servir como punto de partida para investigaciones posteriores.

Tabla 2. Un diagnóstico de soberanía para la gobernanza colectiva de la tecnología educativa

Responda cada pregunta: Sí, Parcialmente o No.

Pilar de la soberanía Pregunta central «Sí» indica soberanía «No» indica dependencia institucional
Auditabilidad ¿Podemos examinar cómo se comporta este sistema en nuestro contexto, incluido qué registra, qué rechaza y dónde falla? Agencia pedagógica: criterio docente basado en la claridad del sistema Dependencia epistémica: confianza ciega en una lógica de caja negra y en código que no puede inspeccionarse
Visibilidad de los cambios Cuando cambie la herramienta, ¿sabremos qué cambió y cuándo, de una manera que mantenga estable la enseñanza? Continuidad curricular: alineación estratégica de las herramientas con los calendarios académicos Subordinación: los cronogramas institucionales son desplazados por los ciclos de actualización de los proveedores
Reciprocidad de los datos ¿Pueden estudiantes y docentes recuperar su trabajo, su contexto y sus registros de aprendizaje en un formato utilizable, de modo que la salida siga siendo real? Autonomía intelectual: derecho efectivo de salida y expedientes estudiantiles portátiles Captura infraestructural: dependencia total mediante silos de datos privativos y eliminación de metadatos
Separación ¿Los apoyos al aprendizaje se mantienen separados de los sistemas de vigilancia y castigo, tanto por diseño como en la práctica? Seguridad psicológica: libertad para experimentar sin temor a ser señalado automáticamente Régimen disciplinario: normalización de la clasificación como herramienta de castigo
Reconocimiento de la reparación ¿La institución aporta recursos para el trabajo que crea la herramienta, incluidas la verificación, las disputas y la reenseñanza después de un fallo? Capacidad profesional: tiempo financiado para el trabajo humano de reparación pedagógica dentro del proceso Heteromatización: extracción de trabajo no remunerado para estabilizar productos comerciales privados
Voz democrática ¿Pueden educadores y estudiantes suspender o rechazar la herramienta cuando esta erosiona la indagación, la equidad o la libertad académica? Agencia colectiva: gobernanza basada en la legitimidad democrática y el rechazo Gobernanza mediante el diseño de la plataforma: abdicación administrativa ante decretos de los proveedores impuestos desde instancias previas
Nota. Creado por el autor.

Una agenda mínima de soberanía comienza por las adquisiciones. Las instituciones y los sistemas deberían rechazar las licencias de aceptación mediante clic para usos de alto impacto y exigir cláusulas que garanticen derechos de auditoría, la revisión de los registros de cambios y un uso mínimo de los datos recopilados de los estudiantes y la institución. Es necesario transparentar la caja negra del sistema. La documentación de los modelos debería revelar el uso previsto, los modos de fallo conocidos y los comportamientos regidos por reglas, de modo que los educadores puedan enseñar dentro de los límites del sistema en lugar de tener que adivinarlos (Mitchell et al., 2019).

Asimismo, la soberanía requiere una redistribución de la responsabilidad orientada a aumentar la agencia de educadores y estudiantes. Si las instituciones siguen insistiendo en utilizar herramientas que detectan comportamientos sospechosos, deberían establecer derechos de evaluación independiente y de apelación para los estudiantes señalados por sistemas automatizados de puntuación o detección, con mecanismos de reparación documentados y exigibles. El trabajo de reparación pedagógica debería figurar como trabajo financiado en los presupuestos y balances, no como un esfuerzo excedente invisible. Los consejos de adopción deberían incluir puestos con derecho a voto para educadores y estudiantes, con autoridad para suspender o retirar herramientas que menoscaben la libertad académica, la accesibilidad o la participación equitativa.

Investigaciones recientes sobre la gobernanza de la IA en la educación identifican un problema institucional relacionado: las políticas de uso, por sí solas, no pueden gobernar la adopción. Una gobernanza eficaz requiere supervisión de las adquisiciones, auditabilidad, protección de datos, visibilidad de los cambios y rendición de cuentas a lo largo del ciclo de vida del sistema. Los estudios sobre los marcos de políticas en la educación superior muestran que las instituciones deben pasar de orientaciones ad hoc para el aula a una gobernanza coordinada, la revisión de políticas, la evaluación de riesgos y la supervisión por las partes interesadas (Tong et al., 2025; Wu et al., 2024). La literatura más amplia sobre gobernanza de la IA también subraya que la rendición de cuentas debe asignarse a lo largo de todo el ciclo de vida de la IA, incluido qué se gobierna, quién es responsable, cuándo tiene lugar la gobernanza y cómo se ejerce la supervisión (Batool et al., 2023). En las adquisiciones, estas preocupaciones se concretan en preguntas sobre el uso de los datos, la propiedad, la transparencia de los proveedores, el comportamiento de caja negra, los costos y el riesgo institucional (Grajek et al., 2025). Estas cuestiones tienen consecuencias económicas. La dependencia de un proveedor eleva los costos de salida, las actualizaciones opacas trasladan el riesgo operativo a las instituciones y el trabajo de reparación no remunerado transfiere valor educativo público a la estabilización de plataformas privadas. Por tanto, una agenda de soberanía considera la gobernanza como parte del costo de la adopción, no como una idea tardía una vez que las herramientas han entrado en las aulas.

Hacia una praxis colectiva

La confrontación con la IA educativa no debería verse como un problema técnico que deba resolverse con mejores instrucciones o módulos de «uso responsable». Es un ejercicio de praxis colectiva: reflexión crítica unida a la acción institucional (Freire, 2000). Afirmar la soberanía no supone rechazar la tecnología, sino adoptar una metodología descolonizadora (Smith, 2021) que sitúa en el centro el derecho de la comunidad a definir los límites de su propia vida intelectual. Esto constituye una pugna por la gobernanza de las condiciones digitales del aprendizaje. El cercamiento del aula no se deriva de la tecnología en sí. Se deriva de una lógica estructural de extracción que normaliza la dependencia y después pide a educadores y estudiantes que gestionen sus consecuencias.

La educación se enfrenta ahora a la disyuntiva de dirigir su futuro intelectual o ser conducida aún más profundamente hacia una matriz colonial de poder de las plataformas. La liberación requiere más que preparación. Requiere la capacidad de rechazar las configuraciones predeterminadas, impugnar las reglas opacas y reconstruir el control público sobre la infraestructura, los datos y la indagación. Mediante la praxis colectiva —la reflexión crítica unida a la acción institucional—, las escuelas pueden interrumpir las cuatro vías de la colonialidad y restablecer la agencia y la autoeficacia como resultados educativos. Recuperar la soberanía educativa es la condición para mantener la universidad como un bien público, en lugar de convertirla en una frontera de recursos para el capital privado.

Declaración del autor sobre interlocución algorítmica y soberanía

En consonancia con la agenda mínima de soberanía propuesta en este trabajo, el autor presenta la siguiente declaración sobre la participación de la IA generativa (ChatGPT 5.5 y Gemini 3 Flash) en la elaboración de este manuscrito:

  • Papel del interlocutor. La IA actuó como interlocutor algorítmico durante la redacción y la revisión. Contribuyó a someter a pruebas de solidez el marco de las cuatro vías, generó formulaciones alternativas para mejorar la claridad y ayudó con la corrección selectiva del texto.

  • Trabajo de reparación. El autor llevó a cabo un trabajo de reparación sostenido durante todo el proceso. Se rechazaron las sugerencias generadas por máquinas que tendían hacia el isomorfismo institucional, la moralización genérica o una certeza no auditable. La arquitectura conceptual del argumento, incluido el marco de las cuatro vías, la síntesis de la teoría colonial y el diagnóstico de soberanía, se originó en el autor humano.

  • Auditabilidad y agencia. El autor conservó la jurisdicción sobre todas las decisiones previas, incluidas las afirmaciones, las definiciones y la estructura argumentativa del manuscrito. Ningún pasaje fue aceptado como resultado de una caja negra. Cada sugerencia fue revisada para comprobar su exactitud conceptual, su coherencia retórica y la ausencia de sesgos moldeados por las plataformas que pudieran restringir la indagación.

  • Telemetría y extracción. El autor reconoce que el historial de interacciones generado durante la redacción probablemente produjo telemetría para la plataforma. Esto constituye un ejemplo práctico de las dinámicas de extracción analizadas en el manuscrito, mediante las cuales el trabajo intelectual público puede reutilizarse en beneficio de sistemas privados.

  • Autoridad final. El autor conserva plena soberanía sobre el texto final y asume la responsabilidad exclusiva de su contenido, sus interpretaciones y sus conclusiones.

Referencias

  • Andrejevic, M. (2007). Surveillance in the digital enclosure. The Communication Review, 10(4), 295–317. https://doi.org/10.1080/10714420701715365

  • Bandura, A. (1997). Self-Efficacy: The Exercise of Control. W. H. Freeman.

  • Batool, A., Zowghi, D., & Bano, M. (2023). Responsible AI Governance: A Systematic Literature Review. arXiv. https://doi.org/10.48550/arXiv.2401.10896

  • Benjamin, R. (2019). Race after Technology: Abolitionist Tools for the New Jim Code. Polity.

  • DiMaggio, P. J., & Powell, W. W. (1983). The iron cage revisited: Institutional isomorphism and collective rationality in organizational fields. American Sociological Review, 48(2), 147–160. https://doi.org/10.2307/2095101

  • Ekbia, H. R., & Nardi, B. A. (2017). Heteromation and Other Stories of Computing and Capitalism. MIT Press. https://doi.org/10.7551/mitpress/10767.001.0001

  • Foucault, M. (1977). Discipline and Punish: The Birth of the Prison. Vintage.

  • Freire, P. (2000). Pedagogy of the Oppressed (30th anniversary ed.). continuüm. Original work published 1970.

  • Grajek, S., Pelletier, K., & Freeman, A. (2025). AI procurement in higher education: Benefits and risks of emerging tools. EDUCAUSE Review. https://er.educause.edu/articles/2025/3/ai-procurement-in-higher-education-benefits-and-risks-of-emerging-tools

  • Hila, A. (2025). The epistemological consequences of large language models: Rethinking collective intelligence and institutional knowledge. AI & Society, 41(1), 1–19. https://doi.org/10.1007/s00146-025-02426-3

  • Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), Article 100779. https://doi.org/10.1016/j.patter.2023.100779

  • Mignolo, W. D. (2011). * The Darker Side of Western Modernity: Global Futures, Decolonial Options *. Duke University Press.

  • Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. In * Proceedings of the Conference on Fairness, Accountability, and Transparency * (pp. 220–229). Association for Computing Machinery. https://doi.org/10.1145/3287560

  • Plantin, J.-C., Lagoze, C., Edwards, P. N., & Sandvig, C. (2018). Infrastructure studies meet platform studies in the age of Google and Facebook. New Media & Society, 20(1), 293–310. https://doi.org/10.1177/1461444816661553

  • Quijano, A. (2000). Coloniality of power, Eurocentrism, and Latin America. Nepantla: Views from South, 1(3), 533–580.

  • Santos, B. de S. (2014). Epistemologies of the South: Justice against Epistemicide. Routledge.

  • Simpson, L. B. (2014). Land as pedagogy: Nishnaabeg intelligence and rebellious transformation. Decolonization: Indigeneity, Education & Society, 3(3), 1–25.

  • Smith, L. T. (2021). Decolonizing Methodologies: Research and Indigenous Peoples. Bloomsbury Publishing. https://doi.org/10.5040/9781350225282

  • Tong, A., Zainol, Z., Chong, T. S., & Renganathan, K. (2025). AI governance on young consumers in higher education: A content analysis of policies for generative AI. Young Consumers, 26(5), 865–885. https://doi.org/10.1108/YC-10-2024-2303

  • Wu, C., Zhang, H., & Carroll, J. M. (2024). AI governance in higher education: Case studies of guidance at Big Ten universities. Future Internet, 16(10), Article 354. https://doi.org/10.3390/fi16100354

  • Zuboff, S. (2019). * The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power *. PublicAffairs.

Lecturas adicionales

  • Couldry, N., & Mejias, U. A. (2019). * The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism *. Stanford University Press.

  • Haraway, D. (2013). Situated knowledges: The science question in feminism and the privilege of partial perspective. In Women, Science, and Technology (pp. 455–472). Routledge.

  • Harding, S. (1991). Whose Science? Whose Knowledge? Thinking from Women’s Lives. Cornell University Press.

  • hooks, b. (2014). Teaching to Transgress: Education as the Practice of Freedom. Routledge. https://doi.org/10.4324/9780203700280

  • Lyotard, J.-F. (1984). The Postmodern Condition: A Report on Knowledge. G. Bennington & B. Massumi, Trans. University of Minnesota Press.

  • Nkrumah, K. (1965). Neo-Colonialism: The Last Stage of Imperialism. International Publishers.

  • Noble, S. U. (2018). Algorithms of Oppression: How Search Engines Reinforce Racism. NYU Press. https://doi.org/10.18574/nyu/9781479833641.001.0001

  • Selwyn, N. (2021). Education and Technology: Key Issues and Debates. Bloomsbury Publishing.

  • Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of Self-Regulation (pp. 13–39). Academic Press. https://doi.org/10.1016/B978-012109890-2/50031-7