AI for Higher Education Management

El programa

Contenidos del curso

Cada módulo aporta un componente del proyecto institucional. Los contenidos se apoyan en casos documentados con resultados verificables, tanto de implementaciones que alcanzaron sus objetivos como de proyectos que no lo lograron.

1. 01

   Contexto global y regional

   Situar el estado de adopción de la inteligencia artificial en la educación superior, a nivel global y en América Latina, y su distancia respecto de la gobernanza institucional.

   • Estado de adopción entre estudiantes y cuerpo docente, y proporción de instituciones con políticas formales
   • Transición desde la experimentación abierta hacia implementaciones gobernadas y medibles
   • Situación de América Latina: lineamientos institucionales, capacidades propias y prioridades de la agenda regional
   • Distribución del valor por función institucional: académica, estudiantil y administrativa
2. 02

   Casos de éxito y fracaso

   Analizar implementaciones documentadas con resultados verificables e identificar los factores de diseño que explican los resultados obtenidos y los objetivos no alcanzados.

   • Georgia State University: analítica predictiva aplicada al acompañamiento estudiantil y su modelo operativo
   • Ivy Tech: detección temprana de riesgo académico a escala en las primeras semanas del período
   • Tecnológico de Monterrey: TECgpt y la red AIGEN como desarrollo de capacidad propia en la región
   • Arizona State University: captura de eficiencias en funciones administrativas y de soporte
   • Distrito escolar de Los Ángeles: definición del problema, selección del proveedor y protección de datos
3. 03

   Qué es la inteligencia artificial y qué implica para la educación superior

   Establecer una comprensión común de las capacidades y los límites reales de la tecnología, y de las obligaciones éticas, normativas y de gobernanza que su uso institucional impone.

   • Qué hace y qué no hace un sistema de aprendizaje automático, y qué distingue a la inteligencia artificial generativa
   • Ética institucional: transparencia hacia la comunidad, sesgos algorítmicos y equidad en el acceso
   • Protección de datos estudiantiles y marcos normativos vigentes en los países de la región
   • Gobernanza: principios, instancia responsable, ciclo de revisión de casos de uso y rendición de cuentas
   • Implicancias para la docencia, la evaluación y la integridad académica
4. 04

   Casos aplicados a universidades e instituciones de educación técnica

   Examinar aplicaciones diferenciadas según el tipo de institución, su escala y su nivel de madurez de datos.

   • Permanencia y acompañamiento estudiantil: alertas tempranas y la intervención humana que las resuelve
   • Procesos administrativos: admisión, registro académico, finanzas estudiantiles y soporte técnico
   • Formación técnico profesional: vinculación con el medio productivo, prácticas y empleabilidad
   • Diferencias de escala y de madurez de datos entre universidades complejas e instituciones técnicas
5. 05

   Modelo de aplicación general

   Disponer de un método replicable para priorizar, dimensionar y evaluar una implementación de inteligencia artificial en cualquier área de la institución.

   • Priorización por volumen, repetitividad, estructura de los datos y costo actual del proceso
   • Auditoría de datos disponibles: existencia, calidad, acceso y responsables
   • Decisión entre adquirir, adaptar o desarrollar, y datos mínimos que exige cada alternativa
   • Criterios de evaluación de proveedores: trayectoria en educación superior, propiedad de los datos, condiciones de término y métricas acordadas en el contrato
   • Construcción del caso financiero y definición del plan a noventa días
6. 06

   Proyecto institucional

   Integrar los componentes desarrollados en un proyecto de implementación presentable ante la dirección de la institución.

   • Integración de los seis componentes en un documento de una página
   • Definición de hitos, responsables y criterios explícitos de continuidad o cierre
   • Preparación de la presentación ante pares y mentores
   • Ajuste final del proyecto a partir de las observaciones recibidas